《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》

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

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。