首页
首页
沸点
课程
直播
活动
竞赛
商城
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
会员
登录
注册
高效用情节效用挖掘
Suarne
创建于2021-05-13
订阅专栏
记录对高效用情节挖掘算法的笔记和心得
暂无订阅
共8篇文章
创建于2021-05-13
订阅专栏
默认顺序
默认顺序
最早发布
最新发布
辨析Apriori与FP-Growth
分别介绍 Apriori 和 FP-Growth 两大经典算法,给出两者各自的优缺点和实现过程,并给出自己的理解
UMEpi算法
大多基本定义可以参考 UP-Span 算法,以下作一些补充及关键的定义。 最大时间段(Maximum time duration)类似于早期情节挖掘算法中的滑动窗口,是需要用户指定的时间约束(MTD),避免因为时间跨度太长导致计算量的增大和事件之间的关联性降低,对任意情节 $\…
HUE-Span算法
写在前面:该算法的比较对象是UP-Span,其实我更想知道和UMEpi算法对比两者谁更优劣。因为双方采取的策略和定义优化有很大的相似性,区别在于存储结构的不同。个人认为这篇算法还是比较重要的,关键信息会着重标出。 首先我们需要明确什么是”event“?在 Episode Min…
USpan算法
写在前面:序列挖掘比单纯地效用挖掘更具广泛性,因为加上时间维度才是我们日常生活经常碰到的问题,当然这也会使得问题更加复杂。通过学习USpan算法...
UBER-Mine算法
写在前面:该算法基于UP-Growth算法改进,提出一个新的基于情节效用的模型 IV-UBER (InVestment by Utility-Based Episode Rules model)对股票进行预测,使用该模型能得到比UP-Span和TSpan算法更优异的结果。 us…
UP-Span算法
写在前面:episode pattern挖掘不同于itemset pattern挖掘,其复杂程度是远远超过itemset,首先“情节”意味着一系列事件的发生,在一段时间内有多个itemset产生,这些itemset之间可能先后发生,也可能同时发生。也就是说episode挖掘不仅…
UMEpi算法
写在前面:该篇算法是第一篇能够完整挖掘出所有高效用情节,理念上和HUI-Miner,EFIM等算法没有很大区别,但在实现上却更难一些。 大多基本定义可以参考 TKE,TUP 和 UP-Span 等算法,以下作一些补充及关键的定义。 最小发生(Minimal occurrence…
TKE算法
写在前面:补一个之前已经做好笔记的算法——TKE,该算法是在频繁项集的背景下进行top-k情节挖掘,解决阈值设定问题。 因为 EMMA 算法因为阈值设定原因,会忽略掉那些本可以与其它情节组成频繁情节的非频繁情节,所以TKE把阈值设置成1自增,即考虑了低支持度情节组合的可能。而且…