《表9 不同min Conf值下各种算法获得规则的数量 (min Sup=0.3)》
![《表9 不同min Conf值下各种算法获得规则的数量 (min Sup=0.3)》](http://bookimg.mtoou.info/tubiao/gif/JSYJ201908009_12800.gif)
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》
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。
图表编号 | XD0090302900 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) |