【数据挖掘概念与技术】高级模式挖掘

模式挖掘是一个比频繁挖掘模式更一般的术语，因为前者还涵盖了稀有模式和负模式。然而，在没有歧义时，两者可以互换地使用。

模式挖掘路线图

分类

基本模式

基于模式所涉及的抽象层

基于规则或模式所涉及的维数

基于规则或模式中所处理的值类型

基于挖掘选择性模式的约束或标准

基于所挖掘的数据类型和特征

多层、多维空间中的模式挖掘

挖掘多层关联规则

对于所有层使用一致的最小支持度——一致支持度

在较低层使用递减的最小支持度——递减支持度

使用基于项或基于分组的最小支持度——基于分组的支持度

挖掘多维关联规则

使用量化属性的静态离散化挖掘多维关联规则

挖掘量化关联规则

1.数据立方体方法

2.基于聚类的方法

3.解释异常行为的统计学方法

挖掘稀有模式和负模式

基于约束的频繁模式挖掘

元规则制导的挖掘

基于约束的模式产生：模式空间剪枝和数据空间剪枝

1.用模式剪枝约束对模式空间剪枝

模式剪枝约束分为五类：

反单调的：如果一个项集不满足规则约束，则它的任何超集不可能满足该约束

单调的：如果一个项集满足这个规则约束，则它的所有超集也满足。

简洁的：可以枚举并且仅枚举可以确保该约束的所有集合，该类约束不必迭代检验

可转变的：不属于以上三类，但该约束在项集一特定次序排列时可能成为单调的或反单调的。

不可转变的：大部分都属于以上四类。

2.用数据剪枝约束对数据空间剪枝

挖掘高维数据和巨型模式

模式融合

基本思想：融合少量较短的频繁模式，形成巨型模式候选。首先，他以有限的宽度遍历树，只使用有限大小的候选池中的模式作为模式树向下搜索的开始结点，避免了指数搜索空间问题。它产生巨型模式的近似解，可以找出大部分巨型模式。

步骤：1. 池初始化：一个短长度(长度不超过3)频繁模式的完全集。

2. 迭代的模式融合：从当前池中随机选取k个种子，对每个种子找出直径为T的球内所有模式，将这些球融合成超模式集。由于每个超模式的支集随迭代而收缩，因此迭代过程终止。

模式融合合并打魔石的小的子模式，而不是用单个项增量地扩展模式。

核模式

挖掘压缩或近似模式

基于聚类的压缩：采用一个好的相似性度量，把相似的对象聚合到一个簇中，代表模式从每个簇中选取，从而提供频繁模式集的一个压缩版本。

模式距离：闭模式之间的距离度量。包含模式的支持度信息。

感知冗余的top-k模式：具有低冗余的k个代表模式的小集合。一种减少挖掘返回的模式数量的策略。

闭模式：频繁模式集的无损压缩

极大模式：有损压缩

模式挖掘的应用

1). 作为预处理，用于噪声过滤盒数据清理

2). 发现隐藏在数据中的固有结构和簇

3). 基于模式的分类

4). 高维空间中子空间的有效聚类

5). 对时间空间、序列、图像、视频数据进行分析

6). 序列与结构数据的分析，如图、树、子序列和网络分析

7). 作为基本的索引结构

8). 推荐系统