重量挖掘关联规则挖掘方法，哪个大神可以将以下伪代码转换为Java代码？ 10

改进的加权关联规则算法的基本步骤与Apriori算法相似: 首先找到加权支持度不小于用户指定的最小加权支持度的所有频繁项集加权关联规则，然后使用频繁项集生成所有满足最小加权置信度规则，算法的项目...改进的加权关联规则算法的基本步骤类似于Apriori算法: 首先找到所有加权支持度不小于用户指定的最小加权支持度的频繁项集，然后使用频繁项集生成最小权重对于所有置信规则，算法的伪代码如下:

(w(ij))=扫描(D); //扫描D以获取物品的重量

L1 =生成(D); //生成1个项目的频繁集

For(k = 2; Lk-1≠∅; k ++)确实开始

Ck =先验元(L k-1); //根据(k-1)个项目的频繁集生成k个项目的候选集

每笔交易t∈D

每笔交易t∈D

{Ct = subset(Ck，t);

对于每个候选c∈Ct{

c.num ++;

c.weight = Weight(c); //计算加权支持}

Lk = {c∈Ck| c.weight×c.num / | D |≥minwsup}}

返回L = kLk; ∪

该算法首先使用“扫描”功能扫描以获得每个项目属性的权重. 函数Generate扫描，根据本文定义的加权支持公式求解加权支持，并根据用户定义的最小支持集频繁获取1个项目. Apriori-gen函数组合并修剪(k-1)项频繁集以获得k项候选集. 由于该算法保持“非频繁项的超集也很少”的特性，因此Apriori-gen函数的实现与Apriori算法的实现相同. 权重函数用于计算候选集的交易权重. 该算法中的加权支持是候选Ck的传统支持与交易权重的乘积. 整个算法的效率类似于Apriori加权关联规则，但是增加了扫描过程. 获取项目属性的权重.

我会回答

选择以下一个或多个关键字以搜索相关材料. 您也可以直接单击“搜索信息”来搜索整个问题.

本文来自电脑杂谈，转载请注明本文网址：

http://www.pc-fly.com/a/jisuanjixue/article-234146-1.html