1) Spatial classification rule mining
空间分类规则挖掘
2) Mining classification rules
分类规则挖掘
1.
Attributes reduct, mining classification rules, and discretizing values of quantitative attributes are three fields in mining classification rules.
分类规则挖掘是数据挖掘的一个重要研究领域。
2.
A new algorithm for mining classification rules based on AFSA and RST is presented in this paper.
利用人工鱼群算法对信息系统的数量型属性进行离散化,然后用RST进行分类规则挖掘,再将AFSA与RST相结合,提出了一种基于AFSA与RST分类规则挖掘新算法。
3) Spatial classification data mining
空间分类挖掘
4) spatial association rule mining
空间关联规则挖掘
1.
This paper introduces an ILP Method Applied in Spatial Association Rule Mining.
文章介绍了应用于空间关联规则挖掘的ILP方法。
5) rule mining
规则挖掘
1.
Aiming at the imprecision and uncertainty of risk factors,the Beyes theory is introduced into IT project risk management based on the traditional Rough set theory in this paper,then the concept and algorithm such as decision support,certainly factor,coverage factor are pointed out,and the risk decision rule mining model based on the combination of Rough set and Beyes theory is constructed.
针对IT项目的风险决策过程中存在大量不确定、不完全信息等特征,论文在传统粗糙集的基础上,将贝叶斯理论引入到IT项目的风险管理中,提出了规则支持度、置信因子、覆盖因子等获取的相关算法,构建了基于粗糙集与贝叶斯理论相结合的风险规则挖掘模型,并通过实例对该模型进行了详细分析。
2.
In addition,a rule mining module based on the change operation logs was provided to learn configuration knowledge in specific context and automatically extend service process knowledge repository.
在流程运行过程中,通过激发合适的配置规则序列,对服务流程实施个性化配置,并允许用户在流程自动化配置的基础上实施二次配置,同时提供基于流程修改日志的规则挖掘模块,学习流程在特定上下文下的配置方式,实现对服务流程知识库的自动扩充。
6) Rules Mining
规则挖掘
1.
Rules Mining of the University Teacher’s Performance Appraisal System on Rough Set;
基于粗糙集的高校教师绩效考评的规则挖掘
补充资料：分类空间
分类空间
dassifying space
分类空间ld胭51幼嗯s钾耽;K月acc“佃倾Hpy喇ee叩0-cTpa鱿T.01 万有纤维丛之二(E。，p。.B。)的底空间B;〕. 丛七的万有性应按下述意义理解.设火G因为CW复形X上以G为结构群的局部平凡丛(关于(筱盖X的恒等映射的)同构)的等价类集合.如果七=(E，夕，B)是结构群为G的局部平凡丛，B‘是一个拓扑空间，且关那B’一B是同伦映射，则B’上的诱导丛f’《)和g’(切属于天G(B’)中同一类.局部平凡丛心G二(E Gp，BG)称为是万有的(universal)，如果对任何X，映射口BGI一人。、(无)，厂一f’(护)都是-一(且到上)的.这时，空间召G称为群‘的分类空ltiJ(dassifying spa‘二o了the grouP)一个结构群为G的主丛(在CW复形上的局部平凡丛类中)是万有的，如果该丛的空间有平凡同伦群‘ 分类空间最重要的例子是相对于群口。，50。，U。，SU，的BO，，BSO。，BU，，BSU。，它们可构造如下.令G(n，k)为Gn琐‘m咖流形(Grassmann manifold);即以stie介I流形(Stiefel manifold)为全空间的主9。丛的底空间.自然嵌入G(n，幼CG(n，k十l)和V伪，k)CF(。，此+l)使我们能做并集G伪)=U二.G(n，k)和F(n)=U畏IV(n，k).丛(F(n)，夕。，G(n))是万有的，且G(。)=Bo，是群0。的分类空间(对于i
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