文档介绍：计算机工程 2007 年 5 月
第 33 卷第 10 期究人员提出了许多挖掘布尔型关联规则的算每个区间内具有相同数目的数据项。等宽法和等深法都简单
法[2~4]。挖掘数值型和分类型关联规则并不像布尔型那样容直接，以至于分区没有意义，也不能处理最小可信度问题。
易。然而，许多现实世界的数据库存在大量的数值型和分类在文献[5]中，Skikant 和 Agrawal 引入了一种称为部分完全匹
型的数据，现有的解决方法不足以解决这种情况。配的、用于测量分区带来的信息损失的度量，并且提出了一
关联规则是一种形如 XY⇒ 的规则，其中 X 和 Y 是项目种分区算法。在文献[6]中，Miller 和 Yang 指出了等深法的缺
的集合。它说明如果 X 在数据库中发生，那么 Y 也会以一定点，并且提出了数值型属性分区的指导原则。在选择数据区
的概率发生。有两个重要的参数与一个关联规则相联系：支间或数据集合的时候，他们期望能有反应数据间距离的度量。
持度和可信度。支持度描述一个规则的重要性，而可信度描由于认为把较近的数据放在一起更有意义，因此考虑了数据
述规则发生的可能性。关联规则挖掘算法中最重要的部分是间的距离。为了达到这个目的，提出了关联规则的一种更通
发现频繁项目集。该过程受到用户给定的最小支持度的影响。用的形式，并且使用聚类算法来发现数据的子集。他们提出
[7]
关联规则的一个重要的应用是 1993 年 Agrawal 等人提出了一个使用 BIRTH 在数值型属性上发现聚类进而形成数据
的购物篮分析问题[2]。在购物篮分析问题中，数据是布尔型项，然后使用布尔性关联规则挖掘算法 Apriori 进行挖掘的算
的，值是“0”，或者“1”。经典的数据挖掘算法是为布尔型法。在该算法中