《数据挖掘概念与技术》第七章 高级模式挖掘

频繁模式挖掘是数据挖掘中频繁项挖掘的基本目标。
另外包括闭频繁项模式和极大频繁项模式。

除了挖掘基本的频繁项集和关联外，还可以挖掘高级的模式形式，本章中分别介绍了：

• 多层关联
• 多维关联
• 量化关联规则
• 稀有模式
• 负模式
• 高维模式
• 模式压缩和近似模式

多层关联

多层关联涉及多个抽象层中的数据。例如戴尔电脑可以抽象到电脑，而索尼耳机可以抽象到耳机。这些可以使用多个最小支持度阈值挖掘。
对于多层关联模式，阈值的选择：
可以使用相同的阈值来挖掘关联模式；也可以逐层降低来挖掘关联模式，避免丢掉更低层中的关联模式包含的信息；可以使用所有层中最小的阈值。

多层关联中的副作用是，由于项之间的“祖先”关系，可能产生一些多个抽象层上的冗余规则。例如

买电脑=>买惠普打印机 （支持度8%，置信度70%） ——————（1.1）
买戴尔电脑=>买惠普打印机（支持度2%，置信度72%） ——————（1.2）

目前挖掘出了规则（1.1）和（1.2），那么这两个规则中，后一个子规则是有用的吗？
其中，电脑是戴尔电脑的“祖先”，规则（1.1）是规则（1.2）的“祖先”。
这里，给出一个冗余性定义：

规则R1是规则R2的祖先，如果R1能够通过将R2中的项用它在概念分层中的祖先替换得到，则R2冗余。
根据这个定义，一个规则被认为是冗余的，如果根据规则的祖先，它的支持度和置信度都接近于“期望值”。

在该例子中，规则（1.1）具有70%置信度和8%支持度，并且大约1/4的电脑是戴尔电脑（1/4为假设&#x