數(shù)據(jù)挖掘算法研究與實現(xiàn)


2.3萬字 58頁 包括外文翻譯及代碼，原創(chuàng)作品，通過查重系統(tǒng)


摘 要
隨著互聯(lián)網(wǎng)的普及以及科技的進(jìn)步，越來越多新技術(shù)在不斷地涌現(xiàn)出來，云計算、大數(shù)據(jù)等詞匯開始不斷地出現(xiàn)在我們周圍，給我們的生活與學(xué)習(xí)帶來了巨大的改變。大數(shù)據(jù)這一話題被廣大人群所認(rèn)識并接受，伴隨智能機(jī)等可移動設(shè)備的涌現(xiàn)，我們的各種時間、空間等信息都轉(zhuǎn)變成了可以被存儲和挖掘的數(shù)據(jù)。如同英國Viktor Mayer-Schönberger在他的暢銷著作《大數(shù)據(jù)時代》里所描述的那樣，面對海量的數(shù)據(jù)，我們看到的僅僅只是冰山一角，當(dāng)我們深入其中時，才會發(fā)現(xiàn)隱藏在冰山下面更廣闊的信息。數(shù)據(jù)挖掘作為發(fā)掘數(shù)據(jù)價值的驅(qū)動力，在這個海量數(shù)據(jù)的時代應(yīng)運(yùn)而生。如同一個問題的正反面，數(shù)據(jù)與數(shù)據(jù)挖掘可以看做是問題與方法的關(guān)系。通過對大數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，得出可靠的規(guī)則與模型，從而為決策作出更加精確的評判，使數(shù)據(jù)的隱藏價值得以更好的利用。
數(shù)據(jù)挖掘作為一門正在被廣泛研究與探討的學(xué)科，其許多有價值的算法被傳承下來，例如在2006年12月被國際權(quán)威學(xué)術(shù)組織——數(shù)據(jù)挖掘國際會議ICDM（the IEEE International Conference on Data Mining）——評選出的數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法等。本次畢業(yè)設(shè)計中，我們挖掘的對象主要是圖像數(shù)據(jù)，因此需要對該種數(shù)據(jù)進(jìn)行處理，從而得到可以用Apriori算法進(jìn)行挖掘的數(shù)據(jù)格式。而對于圖像數(shù)據(jù)的提取分類等，不在本論文進(jìn)行深入討論，本次畢業(yè)設(shè)計所使用的圖像數(shù)據(jù)是由相關(guān)研究生學(xué)長學(xué)姐提供，本論文就十大算法之一的Apriori算法進(jìn)行深入研究并實現(xiàn)其具體算法，并盡可能用該算法挖掘出所給的圖像數(shù)據(jù)的頻繁項集，從而做出后續(xù)的分析。Apriori算法作為關(guān)聯(lián)規(guī)則頻集挖掘的經(jīng)典算法之一，是一種單層次、單維度、布爾類型的關(guān)聯(lián)規(guī)則挖掘算法，其中，我們把支持度小于用戶所給定支持度的項集叫做非頻繁項集，大于等于用戶給定支持度的項集叫做頻繁項集，即頻集。本文對已獲得的圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，得出圖像數(shù)據(jù)的頻繁項集，通過相關(guān)軟件工具LIBSVM進(jìn)行分析，從而得出Apriori算法的挖掘精度，并通過與另一種圖像數(shù)據(jù)的處理方式，即BoF模型，進(jìn)行比較，得出它們之間在處理圖像數(shù)據(jù)時精確度的高低，從而為以后其它關(guān)于圖形數(shù)據(jù)挖掘的研究做出參考。



關(guān)鍵詞：大數(shù)據(jù)；數(shù)據(jù)挖掘；關(guān)聯(lián)規(guī)則；Apriori算法