形式化1:集合相关的概念和表示

集合

  • a ∈ A a \in A aA:元素a是集合A的元素
  • A ⊆ B A \subseteq B AB:集合A是集合B的子集,即A的元素都是B的元素
  • A ⊂ B A \subset B AB:集合A是集合B的真子集,即A的元素都是B的元素,且A与B不相等
  • A = B A = B A=B:集合A和集合B相等
  • A ≠ B A \ne B A=B:集合A和集合B不相等
  • P ( A ) = { a ∣ a ⊆ A } \mathcal{P}(A)=\{a|a \subseteq A\} P(A)={aaA}:A的幂集,即由A的全体子集形成的集合, ∣ P ( A ) ∣ = 2 n |\mathcal{P}(A)|=2^n P(A)=2n
    例如: A = 1 , 2 A={1,2} A=1,2,则 P ( A ) = { { 1 } , { 2 } , { 1 , 2 } , ϕ } \mathcal{P}(A)=\{\{1\},\{2\},\{1,2\},\phi \} P(A)={{1},{2},{1,2},ϕ}

关系和映射

  • 有序对:两元素 ( a , b ) (a,b) (a,b)按一定次序组成的二元组,并满足基本性质:
    ( a 1 , b 1 ) = ( a 2 , b 2 )    ⟺    a 1 = a 2 且 b 1 = b 2 (a_1,b_1)=(a_2,b_2) \iff a_1=a_2 且 b_1=b_2 (a1,b1)=(a2,b2)a1=a2b1=b2
  • 笛卡尔积:集合A和集合B的笛卡尔积 A × B A \times B A×B,是由如下有序对构成的集合
    A × B = { ( a , b ) ∣ a ∈ A 且 b ∈ B } A \times B=\{(a,b)|a \in A 且b \in B\} A×B={(a,b)aAbB}
    • 有序对笛卡尔积可推广到n个元素或集合的情况,即A
      A × B × C = { ( a , b , c ) ∣ a ∈ A , b ∈ B , c ∈ C } A \times B \times C=\{(a,b,c)|a \in A, b \in B, c \in C\} A×B×C={(a,b,c)aA,bB,cC}
    • A n A^n An表示 n ( n ≥ 1 ) n(n \ge 1) n(n1)个集合 A A A的笛卡尔积,并规定 A 0 = ϕ A^0=\phi A0=ϕ
  • 二元关系:对于任意集合A和B,称其笛卡尔积的任意子集(即 R ⊆ A × B R \subseteq A \times B RA×B)为集合A和B上的二元关系,简称关系。若 A = B A=B A=B,则称集合R为集合A上的二元关系。
    • 对于集合A和B上的关系R,我们称集合A是关系R的前域,集合B是关系R的后域。
    • C = { a ∣ a ∈ A , 存 在 b ∈ B , 使 得 ( a , b ) ∈ R } C=\{a|a \in A, 存在b \in B,使得(a,b) \in R\} C={aaA,bB使(a,b)R}为关系R的定义域,记为 d o m ( R ) dom(R) dom(R),例如 A = { 1 , 2 } , B = { a , b } , R = { { 1 , a } , { 2 , b } } A=\{1,2\},B=\{a,b\},R=\{\{1,a\},\{2,b\}\} A={1,2},B={a,b},R={{1,a},{2,b}},那么定义域为 { 1 , 2 } \{1,2\} {1,2}
    • D = { b ∣ b ∈ B , 存 在 a ∈ A , 使 得 ( a , b ) ∈ R } D=\{b|b \in B, 存在a \in A,使得(a,b) \in R\} D={bbB,aA使(a,b)R}为关系R的值域,记为 r a n ( R ) ran(R) ran(R),在上例中值域为 { a , b } \{a,b\} {a,b}
    • f l d ( R ) = d o m ( R ) ∪ r a n ( R ) fld(R)=dom(R) \cup ran(R) fld(R)=dom(R)ran(R)为关系R的域
  • 函数:函数是一种特殊的关系,即对于A中的两个相等的值 x = y x=y x=y,那么必定有 R ( x ) = R ( y ) R(x)=R(y) R(x)=R(y),也就是说,函数是种一对一的映射
    • 全函数:对于定义域中的所有值都有映射的函数,即 d o m ( F ) = A dom(F)=A dom(F)=A
    • 偏函数:定义域中的某些值不存在映射
  • 等价关系:若集合A上的二元关系R满足,则称R为集合A上的等价关系
    1. 自反性:对于任意 x ∈ A x \in A xA,有 ( x , x ) ∈ R (x,x) \in R (x,x)R
    2. 对称性:对于任意 x , y ∈ A x,y \in A x,yA,若 ( x , y ) ∈ R (x,y) \in R (x,y)R,则 ( y , x ) ∈ R (y,x) \in R (y,x)R
    3. 传递性:对于任意 x , y , z ∈ A x,y,z \in A x,y,zA,若 ( x , y ) ∈ R 且 ( y , z ) ∈ R (x,y) \in R且(y,z) \in R (x,y)R(y,z)R,则 ( x , z ) ∈ R (x,z) \in R (x,z)R
  • 等价元素:若R是集合A上的等价关系,且 ( a , b ) ∈ R (a,b) \in R (a,b)R,则称元素a和b等价,记作 a ∼ b a \sim b ab
  • 等价类:集合A中与元素a等价的所有元素组成的集合,称为a由关系R生成的等价类,记作
    [ a ] R = { x ∣ x ∈ A 且 x ∼ a } [a]_R=\{x|x \in A且x \sim a\} [a]R={xxAxa}
    例如整数中模二相等的等价类, R = Z × Z R=Z \times Z R=Z×Z,其中 Z Z Z为整数集合,那么 [ 0 ] R = { . . . , − 2 , 0 , 2 , . . . } [0]_R=\{...,-2,0,2,...\} [0]R={...,2,0,2,...}
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
《数据挖掘》实验报告 目录 1。关联规则的基本概念和方法 1 1.1数据挖掘 1 1.1。1数据挖掘的概念 1 1.1。2数据挖掘的方法与技术 1 1.2关联规则 3 1。2。1关联规则的概念 3 1.2。2关联规则的实现——Apriori算法 4 2.用Matlab实现关联规则 6 2。1Matlab概述 6 2.2基于Matlab的Apriori算法 7 3.用java实现关联规则 11 3.1java界面描述 11 3.2java关键代码描述 14 4、实验总结 19 4。1实验的不足和改进 19 4.2实验心得 20 1。关联规则的基本概念和方法 1.1数据挖掘 1。1。1数据挖掘的概念 计算机技术和通信技术的迅猛发展将人类社会带入到了信息时代。在最近十几年里, 数据库中存储的数据急剧增大。数据挖掘就是信息技术自然进化的结果。数据挖掘可以 从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的 ,人们事先不知道的但又是潜在有用的信息和知识的过程。 许多人将数据挖掘视为另一个流行词汇数据中的知识发现(KDD)的同义词,而另一些人 只是把数据挖掘视为知识发现过程的一个基本步骤.知识发现过程如下: ·数据清理(消除噪声和删除不一致的数据) ·数据集成(多种数据源可以组合在一起) ·数据转换(从数据库中提取和分析任务相关的数据) ·数据变换(从汇总或聚集操作,把数据变换和统一成适合挖掘的形式) ·数据挖掘(基本步骤,使用智能方法提取数据模式) ·模式评估(根据某种兴趣度度量,识别代表知识的真正有趣的模式) ·知识表示(使用可视化和知识表示技术,向用户提供挖掘的知识)。 1。1.2数据挖掘的方法与技术 数据挖掘吸纳了诸如数据库和数据仓库技术、统计学、机器学习、高性能计算、模式 识别、神经网络、数据可视化、信息检索、图像和信号处理以及空间数据分析技术的集 成等许多应用领域的大量技术。数据挖掘主要包括以下方法。 神经网络方法:神经网络由于本身良好的鲁棒性、自组织自适应性、并行处理、分布 存储和高度容错等特性非常适合解决数据挖掘的问题,因此近年来越来越受到人们的关注 .典型的神经网络模型主要分3大类:以感知机、bp反向传播模型、函数型网络为代表的 ,用于分类、预测和模式识别的前馈式神经网络模型;以hopfield的离散模型和连续模 型为代表的,分别用于联想记忆和优化计算的反馈式神经网络模型;以art模型、kohol on模型为代表的,用于聚类的自组织映射方法。神经网络方法的缺点是"黑箱"性,人们 难以理解网络的学习和决策过程。 遗传算法:遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法,是一种仿 生全局优化方法.遗传算法具有的隐含并行性、易于和其它模型结合等性质使得它在数据 挖掘中被加以应用。sunil已成功地开发了一个基于遗传算法的数据挖掘工具,利用该工 具对两个飞机失事的真实数据库进行了数据挖掘实验,结果表明遗传算法是进行数据挖 掘的有效方法之一。遗传算法的应用还体现在与神经网络、粗糙集等技术的结合上。如 利用遗传算法优化神经网络结构,在不增加错误率的前提下,删除多余的连接和隐层单元 ;用遗传算法和bp算法结合训练神经网络,然后从网络提取规则等。但遗传算法算法 较复杂,收敛于局部极小的较早收敛问题尚未解决。 决策树方法:决策树是一种常用于预测模型的算法,它通过将大量数据有目的分类, 从中找到一些有价值的,潜在的信息。它的主要优点是描述简单,分类速度快,特别适 合大规模的数据处理. 粗糙集方法:粗糙集理论是一种研究不精确、不确定知识的数学工具。粗糙集方法有 几个优点:不需要给出额外信息;简化输入信息的表达空间;算法简单,易于操作。粗糙 集处理的对象是类似二维关系表的信息表.目前成熟的关系数据库管理系统和新发展起来 的数据仓库管理系统,为粗糙集的数据挖掘奠定了坚实的基础。但粗糙集的数学基础是 集合论,难以直接处理连续的属性。而现实信息表中连续属性是普遍存在的。因此连续 属性的离散化是制约粗糙集理论实用化的难点。 覆盖正例排斥反例方法:它是利用覆盖所有正例、排斥所有反例的思想来寻找规则。 首先在正例集合中任选一个种子,到反例集合中逐个比较。与字段取值构成的选择子相容 则舍去,相反则保留。按此思想循环所有正例种子,将得到正例的规则(选择子的合取式 )。比较典型的算法有michalski的aq11方法、洪家荣改进的aq15方法以及他的ae5方法。 统计分析方法:在数据库字段项之间存在两种关系:函数关系(能用函数公式表示的 确定性关系)和相关关系(不能用函数公式表示,但仍是相关确定性关系),对它们的分 析可采用统计学方法,即利用统计学原理对数据库中的信息进行分析。可进行常用统计 (求大量数据中的最大值、最小值、总

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值