复杂网络中Top-k节点的快速高效挖掘算法

有关数据挖掘方面的各类算法，以及算法的改进方法和具体实例的核心算法程序。

这是一个关于数据挖掘方面算法的压缩包，里面全是算法的精华

数据挖掘技术在当今需要存储、处理、计算大量数据与信息的社会中有非常重要的作用。数据挖掘出现之前，海量的数据只是被简单的存储，不能对隐含在其中的信息进行分析、利用与创造价值，数据挖掘由此出现。数据挖掘是新兴且前沿的技术，是信息领域和数据库领域热点之一。数据挖掘技术的快速发展，出现了适合各领域需求各异的多种不同的分析方法与算法。算法是分析方法的具体实现，首先详细介绍了基于关联规则分析的Apriori算法、FP-growth 算法和Eclat算法，并通过对比这些算法在不同数据集的运行结果，分析了算法各自的优缺点及其适用领域，同时探讨了各个算法的优势互补、有机结合以弥补单独算法不足的可能性。

ECLAT关联规则挖掘 等价类转换关联规则挖掘算法的Python实现 我在无聊的时候写了这篇文章，并希望找到一个很好的算法来加快Cython的速度。 不幸的是，这个问题并不能轻易实现优化（而频繁模式挖掘的FP-tree方法要快得多）。 该算法在其擅长的各种数据集上（存储10个具有100万条记录的商品的商店）仍然非常快，但是在1000个具有1000条记录的商品的数据集上，它会显得很笨拙。 我的工作很乱。 也许我会回去整理一天。

频繁模式挖掘的模式数量通常过于巨大，在实际应用中只有少量的频繁模式被使用。Top-k频繁模式挖掘通过排列模式频数限制频繁模式的数量，有效提高了算法效率。提出了TPN（Top-k-Patterns based on Nodesets）算法，该算法使用了节点集的概念，将数据压缩于Poc-tree，通过Top-k-rank表重新计算最小支持度限制生成候选模式的数量。实验通过与ATFP，Top-k-FP-growth算法比较，证明该算法有较好的效率。

之前收集到的一份蛮好的算法资料，适合入门。暂时没有找到最新的，大家有的话麻烦给我分享一下呀！！！对十大算法有基本的认识，并结合python sklearn做了简单应用，最后还有几个分析案例，可以多多学习，不过只能说适合新手入门吧

Java算法大全（近100种算法打包）+ 常见的数据挖掘算法源代码集中打包 内容： 1、java语言常用算法大全，有近100多种常见算法的源代码。 2、各种常用数据挖掘算法的详细教学材料和配套源代码，大概包含了神经网络算法，Karuna Pande Joshi算法，K-Means动态聚类算法，聚类算法等常用算法。从理论到实践，手把手指引您对数据挖掘从起步走向精通。

第六章 朴素贝叶斯分类 6.1 朴素贝叶斯分类数学基础 1.贝叶斯定理 假设对于某个数据集，随机变量 C 表示样本为 C 类的概率，F1 表示测试样本某特征出现的概率，套 用基本贝叶斯公式，则如下所示： 上式表示对于某个样本，特征 F1 出现时，该样本被分为 C 类的条件概率。 对于该公式，需要熟知的概念： 先验概率（Prior）：P(C)是 C 的先验概率，可以从已有的训练集中计算分为 C 类的样本占所有样本的 比重得出。 证据（Evidence）：即上式 P(F1)，表示对于某测试样本，特征 F1 出现的概率。同样可以从训练集中 F1 特征对应样本所占总样本的比例得出。 似然（likelihood）：即上式 P(F1|C)，表示如果知道一个样本分为 C 类，那么他的特征为 F1 的概率是 多少 对于多特征而言： 贝叶斯定理是基于假设的先验概率给定假设下观察到不同数据的概率，提供了一种计算后验概率的方 法 6.2 朴素贝叶斯分类 1.思想基础 对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项 属于哪个类别。 2.假设条件 1）特征之间相互独立 2）每个特征同等重要 3.朴素的概念

有生成的界面，基于C#编写的代码，包含关联规则的生成和频繁集的挖掘