重量挖掘關聯規則挖掘方法，哪個大神可以將以下偽代碼轉換為Java代碼？ 10

改進的加權關聯規則算法的基本步驟與Apriori算法相似: 首先找到加權支持度不小于用戶指定的最小加權支持度的所有頻繁項集加權關聯規則，然后使用頻繁項集生成所有滿足最小加權置信度規則，算法的項目...改進的加權關聯規則算法的基本步驟類似于Apriori算法: 首先找到所有加權支持度不小于用戶指定的最小加權支持度的頻繁項集，然后使用頻繁項集生成最小權重對于所有置信規則，算法的偽代碼如下:

(w(ij))=掃描(D); //掃描D以獲取物品的重量

L1 =生成(D); //生成1個項目的頻繁集

For(k = 2; Lk-1≠?; k ++)確實開始

Ck =先驗元(L k-1); //根據(k-1)個項目的頻繁集生成k個項目的候選集

每筆交易t∈D

每筆交易t∈D

{Ct = subset(Ck，t);

對于每個候選c∈Ct{

c.num ++;

c.weight = Weight(c); //計算加權支持}

Lk = {c∈Ck| c.weight×c.num / | D |≥minwsup}}

返回L = kLk; ∪

該算法首先使用“掃描”功能掃描以獲得每個項目屬性的權重. 函數Generate掃描，根據本文定義的加權支持公式求解加權支持，并根據用戶定義的最小支持集頻繁獲取1個項目. Apriori-gen函數組合并修剪(k-1)項頻繁集以獲得k項候選集. 由于該算法保持“非頻繁項的超集也很少”的特性，因此Apriori-gen函數的實現與Apriori算法的實現相同. 權重函數用于計算候選集的交易權重. 該算法中的加權支持是候選Ck的傳統支持與交易權重的乘積. 整個算法的效率類似于Apriori加權關聯規則，但是增加了掃描過程. 獲取項目屬性的權重.

我會回答

選擇以下一個或多個關鍵字以搜索相關材料. 您也可以直接單擊“搜索信息”來搜索整個問題.

本文來自電腦雜談，轉載請注明本文網址：

http://www.pc-fly.com/a/jisuanjixue/article-234146-1.html