当前位置：文档之家 › 基于操作序列挖掘的OLAP查询推荐方法

基于操作序列挖掘的OLAP查询推荐方法

  • 格式：pdf
  • 大小：758.50 KB
  • 文档页数：7

第 ３期
搜 索 及 数据 库 查 询
陈岭 ， ： 于操 作序 列挖 掘 的 Ｏ Ａ 等 基 Ｌ Ｐ查询推 荐 方 法
等 领 域 中的 应 用 表 明 合
４９ ９
层 次进 行切 片 ． Ｘ 查 询 语 言 中对 多 维数 据 集 的 ＭＤ
理 设 计 的查 询 推 荐 模 块 能 大 大 提 高 用 户 的操 作 效率． Ｏ Ａ Ｌ Ｐ查 询推 荐 研 究 目前 处 于 起 步 阶段 ． — Ｇｉ ａｏ ｔ 等 和 Ｂ ｌ ｔ ｃ ｅ等 提 出对 ＯＬ ｃｍｅ ｉ ｔ ｅ ａｒ ｈ ｌ ｅ ＡＰ服 务 器 日志记 录 进行 聚类 ， 将 记 录序 列 转 化 为 类 并 别序列 ， 同时将 用 户 当前 查 询 序 列 作 相 同 转 化 后 进 行 匹配 ， 到查 询 推 荐 的 目的 ． 其 设 计 框 架 达 但
模 式建 立概 率矩 阵， 最后通过 搜 索与 用户 当前查 询操 作或 查询序 列 匹配 的候选模 式对其 下 一步
查询 操作进行 预测 ， 并将预测 结果按概 率大小分 级推荐． ７位 Ｏ Ａ 在 Ｌ Ｆ专业分析人 员 的查询分析 日志数据 集上 对提 出的查询推荐 型前 ５推荐 内容 的平 均正确 率为 ９ ． ０ ， 中第 １推 荐的平均 正确率为 ７ ． ６ ２２ ％ 其 ７ ０ ％． 关键 词 ：联机分 析处理 ； 数据挖掘 ； 查询推 荐 中图分类号 ： Ｐ ８ Ｔ １１ 文献标 志码 ： Ａ 文章编 号 ： ０ １— ５ ５ ２ １ ） ３０ ９ － １０ ００ （０ １ ０ －４ ８０ ７
Ｏｐ ｒ ｔ ｎ ｓ ｑ ｅ ｃ ｉ ｉ ｇ ｂ ｓ ｄ ＯＬＡＰ ｕ ｒ ｅ ｏ ｅ ａ ｉ ｅ ｕ ｎ ｅ ｍ ｎ ｎ ａ ｅ ｏ ｑ ｅ ｙ ｒ ｃ ｍｍ ｅ ｄ ｔ ｎ ｍｅ ｈ ｄ ｎ ａ ｏ ｔｏ ｉ
Ｃｈ ｎ Ｌｉ ｇ Ｃｈ ｎ Ｙｕ ｎ ｈｏ ｇ Ｃｈ ｎ Ｇ ｅ ｃ ｉ ｅ ｎ ｅ ａｚ ｎ ｅ ｎ ａ
只支 持 简 单 的 多 维 表 达 式 （ ｌｄｍｅ ｓ ｎ ｌｅ — ｍｕ ｉｉ ｎｉ ａ ｘ ｔ ｏ
维度 和层次 定义 有特 定 的语 法结构 ： 多维数 据集 对
中 的维 度 下 的第 ｉ 次钻 取 ， 使 用 的 ＭＤ 查 层 所 Ｘ
询 语句 遵 循 “ 维 度 ］ ［ 次 １ ． 层 次 ２ ． ［ ．层 ］［ ］ …．
ｄ ｉ１ ．９ ９ ｊｉ ｎ １０ ０ ０ ．０ １０ ． １ ｏ ：０ ３ ６ ／．ｓ ．０ １— ５ ５ ２ １ ．３ ０ ３ ｓ
基 于 操 作 序 列 挖 掘 的 ＯＬ Ｐ查 询 推 荐 方 法 Ａ
陈 岭 陈元 中 陈根 才
（ 江 大学 计 算 机 科 学 与技 术 学 院 ， 州 ３０ ２ ） 浙 杭 １０ ７
向用 户 推 荐 合 适 的 操 作 ， 在 信 息 检 索 … 、 ｂ 其 Ｗｅ
收稿 日期 ： ００１ — ． 作者简介 ：陈岭 （９ ７ ） ２ １ —２１ ０ １７ 一 ，男 ， 博士 ， 副教授 ，ｆ ｇｈ ｎ Ｓｚ ．ｄ ．ｎ ｉ ｃｅ ＠Ｃ．ｊ ｅｕ ｅ ． ｎ ｕ 基金 项 目 ：国家 自然科 学 基 金 资 助 项 目 （ ００ ０ ０ 、 江 省 科 技 计 划 优 先 主 题 资 助 项 目 （ ０７ ３ １ 、 江 省 自然 科 学 基 金 资 助 项 目 ６ ７３ ４ ） 浙 ２０ Ｃ１０９） 浙
［ 层次 ｉ ． ｈｌｒｎ ］ ｃ ｉ ｅ ”的规 范． 本 ＭＤＸ 查 询 语 句 ｄ 基
如下 ：
Ｓ ＬＥＣＴ Ｅ
ｌ Ｍｅｓｒｓ ． Ｕｎ ａｅ ］ Ｍｅｓｒｓ ． ＳｏｅＳ ｌ ］ ｆ ａｕｅ ］ ［ ｉＳ ｌ ，［ ａｕｅ ］ ［ ｔｒ ａ ｓ ｝ ｔ ｓ ｅ
Ｏ Ｎ ＣＯ ＬＵＭ Ｎ Ｓ，
联 机 分 析 处 理 （ ｎ ｎ ｎ ｌｔ ａ ｐｏ ｅｓ ｇ ｏ ｌ ｅａａ ｉ ｌ ｒｃ ｓｉ ， ｉ ｙｃ ｎ Ｏ Ａ ） Ｌ Ｐ 是一 种 多 维 分 析 查 询 方 法 ， 提 供 上 钻 、 能 下钻 、 旋转 等 操 作 ， 在 决 策 支 持 、 业 智 能 、 并 商 数 据仓 库 等领 域 被 广泛 应 用． Ｌ Ｐ查 询 分 析 操 作 Ｏ Ａ
摘 要 ：针对联 机分 析处理 （ Ｌ Ｐ 操作 复 杂 导致 的用 户使 用 效率 低下 问题 ， 出基 于操 作 序列 ＯＡ ） 提
挖掘 的 Ｏ Ａ Ｌ Ｐ查 询推 荐方法． 首先从 多维表达 式（ Ｘ） ＭＤ 查询语 句记录 中提取 整数数 列形 式的查 询序 列 ， 再利 用 Ｐｅ ｘ ｐｎ方 法对查询序 列进行 频繁序列模 式挖掘 ， ｒｆ Ｓ ａ ｉ 并基 于挖掘 出的模 式及其 子
影响其 发 挥应 有作 用 ． 何 在分 析 过 程 中帮 助普 如 通 用 户进行 高 效查 询 ， 已成 为 Ｏ Ａ Ｌ Ｐ应 用 中亟 待
解 决 的问题 ． 询推 荐 通 过数 据 挖 掘 等 手段 获 取 查 用 户历 史操 作记 录 中 的模 式 信息 ， 以此 为 基 础 并
复 杂 ， 户 一 般 在 短 时 间 内难 以 熟 练 掌 握 ， 而 用 进
第４ ｌ卷第 ３期 ２１ ０ １年 ５月
东 南 大 学 学 报 （自然科 学版 ）
Ｊ Ｒ ＡＬ ＯＦ Ｓ Ｕ ＨＥ Ｔ ＵＮ ＶＥ Ｉ Ｙ （ ａ ｒｌ ｃ ｎ ｅＥ ｉｏ ） ＯＵ Ｎ Ｏ Ｔ ＡＳ Ｉ ＲＳＴ Ｎ ｔ ａ Ｓ ｉ ｃ ｄｔ ｎ ｕ ｅ ｉ
Ｖｏ ． Ｎｏ． １４１ ３ Ｍ ａ ０１ ｙ２ １
（ ０ １８ Ｙ１ ７ ７ ）
引文 格 式 ： 岭 ， 陈 陈元 中 ， 根 才 ． 于 操 作 序列 挖 掘 的 ＯＬ 陈 基 ＡＦ查 询 推荐 方 法 ［ ］ 东 南大 学 学报 ： Ｊ． 自然 科学 版 ，０ １４ （ ） ４ ８— ０ ．［ ｏ： ２ １ ，１３ ：９ ５４ ｄ ｉ
１ ．９９ ｊｉ ｎ １０ ０ ０ ．０ １０ ． １ ］ ０ ３６ ／．ｓ ．０ １— ５ ５２ １．３ ０ ３ ｓ
ｉ ｅ ｏ ｍ ｅ ｄ ｔｏ ｄ ｌ ，ｔ ｅ ａ ｅａ ｅ ａ ｃ ｒ ｃ ａ ｅ ｆｔ ｅ ｔ ｐ ｆｖ ｅ ｏ ｃｒｃ ｍ ｎ ａｉ ｎ ｍｏ ｅ ｓ ｈ ｖ ｒ ｇ ｃ ｕ ａ ｙ ｒ ｔｓｏ ｏ ｅ ｒｃ ｍｍ ｅ ｄ ｔｏ ｓａ ｄ ｔ ｅ ｆｒｔ ｈ ｉ ｎ ａｉ ｎ ｎ ｓ ｈ ｉ
ｐｅｓ ｎ ＭＤＸ） 询 语 句 ， 对 单 一 维 度 的查 询 ｒｓ ｏ ， ｉ 查 即
操 作进 行 聚类 ， 外 ， 此 在海 量 １ 记 录 情 况 下 ， ３志 对 类 别 序列 进 行 简 单 匹 配 会 大 大 降 低 查 询 推 荐 效
ｌ Ｔ ｅ ． １９ ］ ［ ｉ ｅ ． １９ ］ Ｏ Ｏ ［ ｉ ］ ［ ９ ７ ， Ｔｍ ］ ［９ ８ ｝ Ｎ Ｒ ＷＳ ｍ
ｏｐ ｒ ｔ ｎ ｄ ｔｓ ｔｒｃ ｒ ｅ ｙ ｓ ｖ ｎ ｐ ｏ ｅ ｓｏ ａ ｅ ａ ｉ ａａ ｅ ｅ ｏ ｄ ｄ ｂ ｅ ｅ ｒ ｆ ｓｉ ｎ ｌＯＬＡＦ ｓ ｒ ．Ｔｈ ｅ ｕｔ ｈ ｗ ｈ ｔｗ ｉ ｓ ｒｓ ｅ ｉ ｏ ｕｅｓ ｅ ｒ ｓ ｌ ｓ ｏ ｔ ａ ｔ ｕ ｅ —ｐ ｃ ￣ ｓ ｈ
ｃｎｎ ｏｓ ｏ ｔ ｕ ｕ Ｘ （ ｌｄ ｎｉｎ ｌ ｘ ｒｓ ｏ ）ｑ ｅ ｐｒｔ ｎ．Ｔ ｅ ，ｈ ｒｆ Ｓ ａ ｎｎ ｌ ｉ ＭＤ ｍｕｔ ｉ ｓ ａ ｅｐｅｓ ｎ ｕ ｒ ｏ ｅａ ｏ ｓ ｈ ｎ ｔｅＰｅ ｘ ｐ ｍ ｉ ａ ｉ ｍｅ ｏ ｉ ｙ ｉ ｉ ｎ ｉ ｇ —
（ ｏｌｇ ｆＣ ｍｐ ｔ ｃ ｎ ｅａｄＴ ｃｎ ｌｇ ， ｈｊ ｇＵ ｉｅｓｙ ａｇｈ Ｕ３ ０２ ，Ｃ ｉａ Ｃ ｌ ｅｏ ｏ ｕｅ Ｓｉ ｃ ｎ ｅｈｏｏ ｙ Ｚ ｅａ ｎｖｒｔ，Ｈ ｚＯ １０ ７ ｈｎ ） ｅ ｒ ｅ ｉ ｎ ｉ ｎ
Ａ ｓｒｃ ： ｎｏ ｅａ ｏ ｅ ｕｎ ｅｍ ｎ ｇｂ ｓｄＯ ＡＰ（ ｎｉｅａ ａ ｔ ａ ｐｏ ｅｓ ｇ ｕｒ ｅｏ — ｂｔａ ｔ Ａ ｐｒｔ ｎｓｑ ｅｃ ｉｉ ａｅ Ｌ ｉ ｎ ｏ ｌ ｎｌ ｉ ｌ ｒｃｓｉ ）ｑ ｅ ｒｃ ｍ ｎ ｙｃ ｎ ｙ
ｇ ｆｔ ｍ ｓｅ ｐｌｉｅ ｏ ｏ ａ ｎ ｔ ｅ ｆｅ ｕ ｎ ｅ ｕ ｎ ｉｌｐａ ｅ ｎ ｒ ｍ ｕ ｒ ｅ ｕ ｎ ｅ ，ａ ｄ ａ ｍ ａｒｘ ｏ ｏ ｈ ｉ ｘ ｏ ｔｄ ｔ ｂｔｉ ｈ ｑ ｅ ｔｓ ｑ ｅ ｔａ ￣ ｒ ｓｆｏ ｑ ｅ ｓ ｑ ｅ ｃ ｓ ｎ ｔｉ ｆ ｉ ｒ ｙ ｐ ｏ ｂ ｌｔ ｓ ｉ ｓａ ｌ ｈ ｄ ｕ ｏ ｎ ｄ ｐ ｔ ｒ ｓａ ｄ ｔ ｅｒｓ ｂ ｐａｔｒ ． Ｆ ｎ ｌｙ，ｔｅ ｎ ｘ ｐ ｒ ｔ ｆ ｒ ｂａ ｉ ｉ ｓｅ ｔｂｉ ｅ ｐ ｎ ｍｉ ｅ ａ ｔ ｎ ｉｅ ｓ ｅ ｎ ｈ ｉ ｕ — ｔ ｎｓ ｉ ａｌ ｅ ｈ ｅ ｔｏ ｅ ａｉ ｏ ｏｎ ｃ ｒｅ ｔｕ ｅ ｓ ｐ ｅ ｉｔｄ ｂ ｅ ｒ ｈｎ ａ ｄｄ ｔ ａｔ ｒ ｓ ｍ ａｃ ｅ ｔ ｈ ｓ ｒＳｑ ｅ ｐ ｒｔｏ ｒ ｕ ｒ ｎ ｓ ｒｉ ｒ ｄｃ ｅ ｙ ｓ ａｃ ｉｇ ｃ ｎ ｉａ ｅ ｐ ｔｅ ｔｈ ｄ ｗｉ ｔ ｅ ｕ ｅ ’ ｕ ｒ ｏ ｅ ａｉ ｎ ｏ ｎ ｈ ｙ
ｍｅ ｄ ｔｏ ｅｈ ｄ ｉ ｒ ｐ ｅ ｏ ｃ ｎｔｒ ｔｅ ｌ ｗ ｆ ｃ ｅ ｃ ｒ ｂｅ ｃ ｕ ｅ ｙ ｔ ｅ ｃ ｍｐ ｅ ｉｙ ｏ ｎ ａ ｎ ｍ ｔ ｏ ｓ ｐ ｏ ｏｓ ｄ ｔ ｏｕ ｅ ｈ ｏ ｅ ｉ ｉ ｉｎ ｙ ｐ ｏ ｌｍ ａ ｓ ｄ ｂ ｈ ｏ ｌｘ ｔ ｆ ＯＬＡＰ ｕ ｒ ｐ ｒｔｏ ｓ Ｆｉｓ ， ｑ ｅ ｅ ｕｅ ｃ ｓ ｉ ｈ ｏ ｍ ｆ ｎ ｍｅ ｉ ａ ｒａ ｒ ｘ ｒｃｅ ｒ ｍ ｑ ｅ ｏ ｅ ａ ｎ ． ｒ ｔ ｕ ｒ ｓ ｑ ｎ ｅ ｎ ｔ ｅ ｆ ｒ ｏ ｕ ｒｃ ｌａ ｒｙ ａ ｅ ｅ ｔａ ｔｄ ｆｏ ｙ ｉ ｙ
ｑ ｅｙｓ ｑ ｅ ｃ ｕ ｒ ｅ ｕ ｎ ｅ，ａ ｈ ｒ ｄ ｃ ｏ ｅ ｕ ｔ ｅ ｒ ｎ ｅ ｃ ｏ ｄｉｇ ｔ ｈ ｇ ｉｕ ｅ ｏｆｐ ｏ ｂ ｌ ｉｓ ｎｄ ｔ ｅ ｐ ｅ ｉｔ ｎ ｒ ｓ ｌ ａ ａ ｋ ｄ ａ ｃ ｒ ｎ ｏ ｔ ｅ ｍａ ｎ ｔｄ ｒ ｂａ ｉ ｔｅ ． ｉ ｓｒ ｉ Ｔｈ ｅ ｏ ｍ ａ ｅ ｏｆｔ ｅ ｐ ｏ ｏ ｅ ｕ ｒ ｅ ｏ ｅ ｐ ｒ ｒ ｎｃ ｈ ｒ ｐ ｓ ｄ ｑ ｅｙ ｒｃ ｍｍｅ ｄ ｔ ｎ ｍｅ ｏ ｓ ｅ ａｕ ｔ ｄ ｗｉ ｎ ＯＬＡＦ ｑ ｅ ｙ ｆ ｎ ａｉ ｔ ｄ ｉ ｖ ｌ ａｅ ｔ ａ ｏ ｈ ｈ ｕ ｒ

合集下载

ROLAP和MOLAP的概念和差别

ROLAP和MOLAP的概念和差别

ROLAP和MOLAP的概念和差别ROLAP和MOLAP的概念和差别OLAP(on-Line Analysis Processing)是使分析⼈员、管理⼈员或执⾏⼈员能够从多⾓度对信息进⾏快速、⼀致、交互地存取,从⽽获得对数据的更深⼊了解的⼀类软件技术。

OLAP的⽬标是满⾜决策⽀持或者满⾜在多维环境下特定的查询和报表需求,它的技术核⼼是"维"这个概念。

“维”(dimension)是⼈们观察客观世界的⾓度,是⼀种⾼层次的类型划分。

“维”⼀般包含着层次关系,这种层次关系有时会相当复杂。

通过把⼀个实体的多项重要的属性定义为多个维(dimension)，使⽤户能对不同维上的数据进⾏⽐较。

因此OLAP也可以说是多维数据分析⼯具的集合。

OLAP的基本多维分析操作有钻取（roll up和drill down）、切⽚（slice）和切块（dice）、以及旋转（pivot）、drill across、drill through等。

·钻取是改变维的层次，变换分析的粒度。

它包括向上钻取（roll up）和向下钻取（drill down）。

roll up是在某⼀维上将低层次的细节数据概括到⾼层次的汇总数据，或者减少维数；⽽drill down则相反，它从汇总数据深⼊到细节数据进⾏观察或增加新维。

·切⽚和切块是在⼀部分维上选定值后，关⼼度量数据在剩余维上的分布。

如果剩余的维只有两个，则是切⽚；如果有三个，则是切块。

·旋转是变换维的⽅向，即在表格中重新安排维的放置（例如⾏列互换）。

OLAP有多种实现⽅法，根据存储数据的⽅式不同可以分为ROLAP、MOLAP、HOLAP。

ROLAP表⽰基于关系数据库的OLAP实现（Relational OLAP）。

以关系数据库为核⼼,以关系型结构进⾏多维数据的表⽰和存储。

ROLAP将多维数据库的多维结构划分为两类表:⼀类是事实表,⽤来存储数据和维关键字;另⼀类是维表,即对每个维⾄少使⽤⼀个表来存放维的层次、成员类别等维的描述信息。

数据库查询优化方法在OLAP系统中的实践

数据库查询优化方法在OLAP系统中的实践

数据库查询优化方法在OLAP系统中的实践随着大数据时代的到来，越来越多的企业开始使用OLAP（联机分析处理）系统来处理大规模数据集和复杂的分析查询。

OLAP系统的性能依赖于数据库查询的效率，因此，数据库查询优化在OLAP系统中的实践显得尤为重要。

本文将介绍一些常见的数据库查询优化方法，并讨论其在OLAP系统中的应用。

在OLAP系统中，数据通常以多维模型进行存储和查询。

多维模型中的数据被组织成多个维度，比如时间、地理位置和产品等。

对于大型数据集，一次查询可能涉及到大量的数据，因此优化查询的效率成为关键。

首先，对于OLAP系统中的数据库查询优化，建立合适的索引是至关重要的。

索引可以加快查询速度，减少扫描和过滤的数据量。

在实践中，为每个查询中经常使用的列创建索引是一个常见的优化方法。

例如，如果OLAP系统中的查询经常涉及到对时间和地理位置的分析，那么为时间和地理位置这两列创建索引将大大提高查询速度。

第二，数据分区也是提高OLAP系统查询性能的重要方法之一。

数据分区是将大型数据集划分为较小的逻辑单元，每个单元可以独立地进行查询和维护。

通过数据分区，可以将查询范围限制在特定的数据块中，以减少扫描的数据量和查询时间。

并且，数据分区还可以与索引相结合，进一步提高查询效率。

此外，在OLAP系统中，使用合适的聚集操作和物化视图可以显著提高查询性能。

聚集操作是对大量数据进行聚合计算，以减少查询的数据量。

可以根据业务需求预先计算和存储聚集数据，从而加快查询速度。

物化视图是对查询结果进行缓存和预计算，以便提供更快的响应时间。

通过使用聚集操作和物化视图，可以显著降低查询的复杂性和计算成本。

此外，在OLAP系统中，优化查询执行计划也是提高查询性能的重要方法。

查询执行计划是数据库系统生成的一组用于执行查询的操作序列。

通过优化查询执行计划，可以选择最有效的数据访问路径和操作顺序，从而减少查询的执行时间。

常见的优化方法包括使用适当的连接方式、选择合适的连接算法以及使用合适的查询优化器。

OLAP数据库

OLAP数据库

OLAP数据库什么是OLAP数据库？OLAP数据库（Online Analytical Processing，即在线分析处理），是一种数据库技术，它可以让用户和企业精确地查看和分析大量复杂数据。

OLAP数据库的目的是帮助企业更好地理解和解释数据，以便做出更明智的决策。

与传统SQL数据库不同，OLAP数据库通过多维数据模型来组织数据，这种模型可以更好地表示一些复杂的分析问题。

OLAP 数据库通常采用基于数据立方体的查询语言，例如MDX （Multidimensional Expressions），这种语言强调多维数据分析。

OLAP数据库的优点1.快速查询：OLAP数据库是为快速查询优化的，它可以迅速响应多个查询，使得多次复杂查询变得高效。

2.数据可视化：OLAP数据库可以将查询结果可视化，例如基于数据立方体的报表，以便更好地理解和分析数据。

3.分析复杂数据：OLAP数据库可以处理海量数据，而且还能够处理比较复杂的数据，这种方式有利于找到数据之间的关联性。

4.支持决策：OLAP数据库可以帮助决策者更好地解读数据，提高决策的准确性和可靠性。

OLAP数据库的应用场景OLAP数据库可以通过多维数据立方体来解决许多分析问题。

它适用于需要一次性分析大量数据、需要实时响应多次查询、需要查找数据之间的关系、需要将查询结果可视化等场景。

例如，某公司可以使用OLAP数据库来分析其销售数据。

它可能需要了解某个特定时间段内某地区、某产品的具体销售情况，以便更好地决策。

或者，它也可以使用OLAP数据库来分析其市场情况，了解客户行为模式和需求，以便更好地制定市场策略。

还有，政府机构可以利用OLAP数据库来分析就业数据。

它们可以比较分析不同地区、不同行业、不同工作类型、不同年龄的就业状况和趋势，以便更好地制定就业政策。

总结OLAP数据库是一种强大的数据库技术，可以帮助企业更好地理解和分析复杂的数据。

它可以快速响应多个查询、分析海量数据、可视化查询结果、精确分析数据关系等。

数据挖掘的10大分析方法

数据挖掘的10大分析方法

数据挖掘的10大分析方法不仅仅是选中的十大算法，其实参加评选的18种算法，实际上随便拿出一种来都可以称得上是经典算法，它们在数据挖掘领域都产生了极为深远的影响。

1. C4.5C4.5算法是机器学习算法中的一种分类决策树算法，其核心算法是ID3算法.C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进：1）用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足；2）在树构造过程中进行剪枝；3）能够完成对连续属性的离散化处理；4）能够对不完整数据进行处理。

C4.5算法有如下优点：产生的分类规则易于理解，准确率较高。

其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。

2. Thek-meansalgorithm 即K-Means 算法k-meansalgorithm 算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k 3.Supportvectormach ines支持向量机，英文为SupportVectorMachine ，简称SV机（论文中一般简称SVM。

它是一种监督式学习的方法，它广泛的应用于统计分类以及回归分析中。

支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。

在分开数据的超平面的两边建有两个互相平行的超平面。

分隔超平面使两个平行超平面的距离最大化。

假定平行超平面间的距离或差距越大，分类器的总误差越小。

一个极好的指南是C.J.CBurges的《模式识别支持向量机指南》°vanderWalt和Barnard将支持向量机和其他分类器进行了比较。

4. TheApriorialgorithmApriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。

其核心是基于两阶段频集思想的递推算法。

该关联规则在分类上属于单维、单层、布尔关联规则。

在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。