《表9 不同min Conf值下各种算法获得规则的数量 (min Sup=0.3)》

  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》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

分析这些结果可以看出，U-MFL-FAR提取出了较多的FAR，其数量大于或等于FApriori算法和初始模糊MF所获得的FAR数量，从而获得一组合理的FAR。其中，FApriori算法使用模糊先验挖掘算法从初始模糊分区中挖掘FAR，而本文使用U-FFP-growth方法来挖掘初始模糊分区中的FAR。显然，U-FFP-growth算法比FApriori算法更有效，这是因为U-FFP-growth是基于频繁模式树结构。因此可以得出结论，当不调整隶属函数时，规则的数量会减少。对于高支持度的规则，MF优化操作的效果更加显着。例如，初始模糊分区中没有执行MF学习，则没有挖掘出支持度高于0.8的规则。