《表7 U-MFL-FAR与初始MF方法挖掘FAR的结果比较》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《不确定性数据中基于GSO优化MF的模糊关联规则挖掘方法》
首先,为了验证本文MF优化过程的有效性,将具备MF优化(U-MFL-FAR)和不具备MF优化(初始MF)的挖掘FAR方法进行比较,结果如表7所示。可以看出,U-MFL-FAR给出的适应度函数值比初始模糊分区给出的值要好,在平均支持度和可解释性度量GM3M上也取得了很好的平衡。这是因为MF的学习优化可以更容易地从不精确数据中挖掘更相关的FAR。另一方面,在不同min Sup值下,U-MFL-FAR的GM3M量度取得了很好的值,其对MF的原始形状作了优化调整,并保持了MF在合理水平上的语义解释能力。而基于初始模糊MF的挖掘中,总是获得GM3M度量的最大值,这是因为这个度量致力于保持MF的原始形状,而且不被修改。
图表编号 | XD0090302600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.01 |
作者 | 章武媚、董琼 |
绘制单位 | 美国纽约州立大学、浙江同济科技职业学院、美国纽约州立大学 |
更多格式 | 高清、无水印(增值服务) |