Gewinnung sequenzieller Regeln durch Anwendung der Schiebefenster-Beschränkung
Versandkostenfrei!
Versandfertig in 6-10 Tagen
35,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Sequentielles Rule Mining wird verwendet, um wichtige Daten in verschiedenen Anwendungen zu extrahieren, z. B. in der Börsenanalyse und im elektronischen Handel. Es umfasst im Allgemeinen die Identifizierung von sequenziellen Regeln aus einer gegebenen Sequenzdatenbank, die in mehreren Sequenzen gemeinsam vorkommen. Teilweise geordnete sequenzielle Regeln (POSR) sind eine Art von sequenziellen Regeln, bei denen die Elemente auf der linken und rechten Seite der sequenziellen Regel nicht geordnet sein müssen. Zu den bestehenden Ansätzen für die Gewinnung von POSR gehören der RuleGrowth-Algo...
Sequentielles Rule Mining wird verwendet, um wichtige Daten in verschiedenen Anwendungen zu extrahieren, z. B. in der Börsenanalyse und im elektronischen Handel. Es umfasst im Allgemeinen die Identifizierung von sequenziellen Regeln aus einer gegebenen Sequenzdatenbank, die in mehreren Sequenzen gemeinsam vorkommen. Teilweise geordnete sequenzielle Regeln (POSR) sind eine Art von sequenziellen Regeln, bei denen die Elemente auf der linken und rechten Seite der sequenziellen Regel nicht geordnet sein müssen. Zu den bestehenden Ansätzen für die Gewinnung von POSR gehören der RuleGrowth-Algorithmus und der TRuleGrowth-Algorithmus. In diesem Buch wird eine Technik namens M_TRuleGrowth vorgestellt, die die Sequenzdatenbank als Eingabe nimmt und minimale Unterstützung, minimale Konfidenz bzw. Fenstergrößenbeschränkungen anwendet, um teilweise geordnete sequenzielle Regeln zu generieren. Die experimentelle Bewertung in Bezug auf die Anzahl der generierten Regeln und die Ausführungszeit wird durchgeführt, um die Technik mit bestehenden Ansätzen zu vergleichen. Es zeigt sich, dass M_TRuleGrowth in Bezug auf die Ausführungszeit besser abschneidet.
Andere Kunden interessierten sich für
