1) frequent item distribution
频繁项分布
1.
The algorithm makes chromosome always mining in the concentrated area of frequent item by using some new technologies such as frequent item distribution,primes factor coding,spouse and sharing function,and thus combination space is validly pruned.
该改进算法采用了频繁项分布、素因子编码、择偶和共享函数等新颖技术,使染色体总是能在频繁项密集区进行挖掘,从而对组合搜索空间进行了有效修剪。
2) Distributed Frequency Paths
分布频繁路径
3) frequent itemsets
频繁项集
1.
Mining of maximum frequent itemsets and frequent closed itemsets based on frequent itemsets;
基于频繁项集挖掘最大频繁项集和频繁闭项集
2.
Algorithm of Mining Frequent Itemsets Based on Binary Representation;
基于二进制表示的频繁项集挖掘算法
4) frequent item sets
频繁项集
1.
Algorithm for frequent item sets mining of sharing prefix based on FP-tree
基于FP-Tree的共享前缀频繁项集挖掘算法
2.
Algorithm for Mining Frequent Item Sets Based on Genetic Particle Swarm Optimization
基于遗传粒子群算法的频繁项集挖掘算法
3.
A new algorithm FIS-Miner(Frequent Item Sets Miner) is presented for discovering frequent item sets to decrease candidate generation based on vector matrix.
为减少冗余候选项集的产生,提出了一种基于向量矩阵的频繁项集挖掘算法FIS-Miner。
5) frequent itemset
频繁项集
1.
Representation and mining of frequent itemsets based on the pruned concept lattice;
基于剪枝概念格模型的频繁项集表示及挖掘
2.
Representation and mining of frequent itemsets based on multiple pruned concept lattices;
基于多剪枝格的频繁项集表示与挖掘
3.
Efficient algorithm of mining weighted frequent itemsets based on matrix and bit string;
快速挖掘加权频繁项集的矩阵位串算法
6) frequent items
频繁项集
1.
Applying the hierarchical sketch,an algorithm that finds hierarchical frequent items over data streams dynamically and approximately was implemented.
应用该多层概要数据结构,实现了面向数据流的多层频繁项集的动态近似查找算法。
2.
Due to the irreversibility of random hash mapping,current sketch data structures have to traverse the key address space to find frequent items.
由于随机哈希函数不可逆,目前的概要数据结构不得不遍历关键字地址空间以查找和估计频繁项集。
3.
It s been found the efficiency of algorithms can been improved by pruning the candidate items C_k based on frequent items L_(k-1),and ignoring the transactions which is useless for frequent items generated.
通过对关联规则产生过程的实际实验分析发现,可以采取利用频繁k-1项集Lk-1对候选k项集Ck进行预先剪枝、及在扫描数据库过程中忽略对频繁项集的产生无贡献的交易记录的方法来改进关联规则提取的效率。
补充资料：多项分布
多项分布
ultinoniial distribution g?polynomial distribution
多项分布〔nl过山目画闯血方山团阅或p01ynom血ldistribu-tion;uo月”IloMH幼‘Hoep舰Ilpe几e几ellHe] 随机变量X:，…，X*的联合分布，它对于任意一组满足条件n，+…十。*二。，。j=0，…，n，j=1，…，k的非负整数摊:，…，n*，由下列公式定义 p{Xl二n，，二，X*=n*}= n! n一!‘’‘n众!其中n，，.，二，，*(，，)o，艺药一l)为分布的参数.多项分布是一种多元离散分布—满足X:+…+X，=。的随机向量(X、，…，X*)的分布(这个分布实质上是(k一l)维的，因为它在k维E谓Ud空间中是退化的).多项分布是二项分布(binorrnial曲川bution)的自然推广，后者即同于k=2的情形.这个分布名称的来由是因为概率(*)是(P:十…+p*)”多项展开式的通项.多项分布出现在如下的概率概形中.每个随机变量X‘是互不相容事件A，(j=1，2，…，k)之一在重复独立试验中发生的次数.如果事件Aj在每次试验中的概率为巧(j=1，…，k)，那么概率(，)就等于在”次试验中事件A，，二，A*分别出现nl，…，n*次的概率.每个随机变量Xj有数学期望为。Pj且方差为”马(1一Pj)的二项分布. 随机向量(X，，…，X*)有数学期望(nP:，‘二，n，*)与协方差阵B=}lb，，11，其中 厂。P‘(l一P‘)，i=j， b:=之i，j=1，…，k 贬一np，p，，i笋j，(因为艺李二1。。=。，故矩阵B的秩为k一1).多项分布的特征函数是 f(tl，…，t*)=(P le’r’+…+P*e’“)”.当n~的l付，有正规化分量 X，一nP: 艺一不益亡责一的向量(Yl，…，Y七)的分布，趋于某一多元正态分布(nom笼幻曲颐bution)，而和 k 艺(l一夕‘)y) 口=I的分布(它在数理统计中常用来构造xZ检验(’chi-squared‘招t))趋于k一1自由度的x’分布(’chi-sq珑川刃‘distribution).
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条