基于多支持度的正负关联规则挖掘技术的研究的中期报告.docx

基于多支持度的正负关联规则挖掘技术的研究的中期报告
一、研究背景
关联规则挖掘是数据挖掘领域的重要课题之一。在商业数据分析、市场营销、医学诊断等领域都有着广泛的应用。传统的关联规则挖掘技术主要关注于两个项集之间的频繁度和置信度，但是忽略了多支持度问题。多支持度是指每个项集在数据集中出现的次数，不同的支持度可以区分出数据集中不同的模式。
二、研究内容
本研究提出了一种基于多支持度的正负关联规则挖掘技术。具体来说，我们将项集的多支持度分成正支持度和负支持度，正支持度表示该项集出现的次数比期望的要多，负支持度则表示出现的次数比期望的要少。我们的假设是，正支持度大的项集可能是关联规则中的强正例，而负支持度大的项集可能是关联规则中的强负例。根据这一假设，我们对每个项集计算了其正支持度和负支持度，并分别进行了关联规则挖掘。
三、研究进展
我们使用了Python语言开发了支持多支持度的关联规则挖掘算法，并在数据集上进行了实验。实验结果表明，我们的技术能够有效挖掘出数据集中的正负关联规则，并能够输出关联规则的置信度和支持度等信息。此外，我们还对关联规则进行了评估，结果显示我们的算法能够显著提高关联规则的准确性。
四、下一步工作
未来的研究方向包括以下几个方面：（1）进一步优化算法的性能和鲁棒性；（2）研究多支持度在其他领域的应用，如医学诊断、社交网络分析等；（3）研究多支持度的可解释性，以便更好地理解和利用多支持度信息。