规则集

可以指定选项将决策树转换成规则集： 规则集名称：指定新生成规则集节点的名称 创建节点位置：选择新生成规则集节点的位置，可以选择工作区、GM选项板或两者 最小实例数：指定生成的规则集中保存的规则的最小实例数，低于指定值的规则将不显示 最低置信度：指定形成的规则集中保存的规则的最低置信度，低于指定值的规则将不显示

基于规则的分类方法称为关联分类（AC），通常在数据挖掘中根据监督学习的数据集构造准确的分类器。它提取“If-Then”规则，并将每个生成的规则与两个计算出的参数关联：支持和置信度。当前的AC算法中，每次将规则插入分类器时，相应的训练数据会被丢弃，但实际上这些数据用于计算其他规则的支持和置信度，影响其他较低排名的规则。静态支持和置信度会导致大型、不准确的分类器，因此需要改进支持和置信度的计算方法。

生成的规则集汇总页签整理了规则集模型生成的结果，以方便进一步分析和使用。

粗糙集与概念格作为知识发现和数据挖掘的有效工具，已在诸多领域展现出应用价值。本研究在对二者理论基础进行深入研究的基础上，提出了一种利用扩展粗糙集模型改进概念格近似性的方法。 该方法通过引入 β-多数蕴涵关系，实现了概念格外延的近似合并，并构建了近似概念格 (ACL)。在此基础上，进一步提出了概念格粗糙近似和规则挖掘算法 (LCRA)。UCI 机器学习数据库测试结果验证了该算法的可行性和有效性。

Apriori算法是一种用于数据挖掘的经典算法，其核心目标是发现数据集中频繁出现的项集以及学习部分关联规则。 算法特点： 迭代式方法： Apriori算法采用逐层迭代的方式，从单个频繁项开始，逐步生成更大的频繁项集。 支持度阈值： 通过设定最小支持度阈值，筛选出满足条件的频繁项集，有效控制结果数量。 关联规则生成： 基于频繁项集，Apriori算法可以推导出“一对多”或“多对一”形式的部分关联规则。 局限性： 无法处理多对多关联规则： Apriori算法目前版本仅支持生成一对多或多对一形式的关联规则，对于更复杂的多对多关联规则尚待改进。

双射软集是一种数学工具，可以用于规则挖掘和约简。它能够有效地处理不确定和模糊的信息，并从中提取有价值的规则和知识。

道路运输管理信息数据常存在不一致、不精确和不完整等问题。为此，本研究结合粗糙集理论的系统归纳思想和属性约简方法，提出了一种将粗糙集分析与经典关联规则相结合的数据挖掘方法。 该方法利用粗糙集分析规则条数与支持度、置信度之间的关系，并通过道路运输管理的实际案例验证了其科学性和有效性。结果表明，该方法能够有效解决道路运输管理的实际问题，并在所选案例中实现了约简 33.3% 条件属性的优化效果。

规则挖掘是数据挖掘的重要研究内容，也是决策支持系统、人工智能和推荐系统等领域的研究热点。在属性约简和最小规则集合抽取方面，抽取效率对其应用性至关重要。本方法结合粗糙集模型和粒计算理论，利用粒化函数实现决策表的粒化，生成初始概念粒集，并通过概念粒的分辨算子进行属性约简，从而实现可视化的决策规则提取。实验结果表明，该方法不仅易于计算机编程实现，而且比现有方法更高效实用。

本内容适合于数据挖掘方向的硕士研究生阅读学习，对关联规则与动态关联规则做了简介。

生成规则集模型的节点代表了由关联规则建模节点(Apriori or GRI)，或生成C5.0节点，或C&RT节点发现的规则，用于预测特定输出字段。未精炼的规则节点生成的规则集节点可以在流中生成预测。用户可通过图标将规则集节点模型加入流中，并通过右键点击流选择节点放置位置。连接数据后，用户可以使用规则集节点模型进行预测，输入数据需与训练数据相同。执行包含规则集节点的流时，该节点将添加两个新字段，存放预测值和置信度。关联规则集的预测字段前缀为$A-，置信字段前缀为$AC-。C5.0规则集的预测字段前缀为$C-，置信字段前缀为$CC-。C&RT规则集的预测字段前缀为$R-，置信度字段前缀为$RC-。