用MATLAB实现大数据挖掘地一种算法

1、一、数据挖掘的目的数据挖掘(Data Mining)阶段首先要确定挖掘的任务或目的。数据挖掘的目 的就是得出隐藏在数据中的有价值的信息。 数据挖掘是一门涉及面很广的交叉学 科，包括器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学 等相关技术。它也常被称为“知识发现” 。知识发现 (KDD) 被认为是从数据中发 现有用知识的整个过程。数据挖掘被认为是KDD过程中的一个特定步骤，它用专门算法从数据中抽取模式 (patter ，如数据分类、聚类、关联规则发现或序列 模式发现等。数据挖掘主要步骤是：数据准备、数据挖掘、结果的解释评估。 二、数据挖掘算法说明确定了挖掘任务后， 就要决定使用

2、什么样的挖掘算法。 由于条件属性在各样 本的分布特性和所反映的主观特性的不同 , 每一个样本对应于真实情况的局部 映射。建立了粗糙集理论中样本知识与信息之间的对应表示关系 , 给出了由属性 约简求约简决策表的方法。 基于后离散化策略处理连续属性 , 实现离散效率和信 息损失之间的动态折衷。 提出相对值条件互信息的概念衡量单一样本中各条件属 性的相关性 , 可以充分利用现有数据处理不完备信息系统。本次数据挖掘的方法是两种， 一是找到若干条特殊样本， 而是找出若干条特 殊条件属性。最后利用这些样本和属性找出关联规则。 (第四部分详细讲解样本 和属性的选择)三 数据预处理过程数据预处理一般包括消除噪

3、声、 推导计算缺值数据、 消除重复记录、 完成数 据类型转换 (如把连续值数据转换为离散型数据，以便于符号归纳，或是把离散 型数据转换为连续 )。本文使用的数据来源是名为“CardiologyCategorical”的excel文件中的“源数据”。该数据表共 303 行， 14个属性。即共有 303个样本。将该数据表的前 200 行设为训练样本，剩下后的 103 行作为测试样本，用基于粗糙集理论的属性约简 的方法生成相应的规则，再利用测试样本对这些规则进行测试。首先对源数据进行预处理，主要包括字符型数据的转化和数据的归一化。数据预处理的第一步是整理源数据，为了便于 matlab 读取数据，把非

4、数字 数据转换为离散型数字数据。生成 lisanhua.xsl 文件。这一部分直接在 excel 工 作表中直接进行。步骤如下：将属性“ sex”中的“ Male ”用“1 ”表示，“Female ”用“ 2”表示；将属性 “ chest pain type ” 中的 “ Asymptomatic ”用 “ 1” 表示，“AbnormalAngina ”用 “2” 表示，“ Angina ”用“ 3 ” 表示，“ NoTa ng ”用“ 4 ” 表示；将属性“ Fasting blood suga<120“ 1”表示，“ TRUE ”用“2”表示；将属性“ resting ecg ”中的

5、“ Hyp 表示， “Abnormal ”用“ 3”表示；将属性“ slope ”中的“ Down ”用 用“ 3 ”表示 ,；将属性“ thal ”中的“ Rev”用 用“ 3”表示；将属性“ class”中的“ Healthy”与属性“ angina” 用“1” 表示，1 ”表示，“ Flat”1 ”表示，“ Normal ”中的“ FALSE”用Normal ”用用“ 2”表示，用“ 2”表示，2”a I I ”Up”“ L”Fix”用“1”表示，“Sick”用“ 2”表示;数据预处理的第二步：使用dm=xlsread('lisanhua');导入' lisanh

6、ua '.xls 文件，在 如下：MATLAB 中对一些连续属性值离散化。1、4、5、8、29,48=1 ， 48,62=2 ， 62,77=394,110=1 ， 110,143=2 ， 143,200=3126,205=1 ， 205,293=2 ， 293 ， 564=371,120=1 ， 120,175=2 ， 175,202=310 、 0,1.5=1 ， 1.5,2.5=2 ， 2.5,6.2=3 。 然后对数据进行归一化处理： 由于不同属性之间的属性值相同，所以利用下面语句对一共 13 个条件属性中的 38 个属性进行如下赋值， 使每条属性唯一确定。 从而得到 38 个

7、条件属性， 只不 过 38 个里面有且只能出现 13 个。程序如下：m1=0,3,2,4,3,3,2,3,3,2,3,3,4,3;k=1;w=m1(k);dm3=dm2;for i=1:3939dm3(i)=dm2(i)+w;if rem(i,303)=0 k=k+1;w=w+m1(k); endend 从而得到 dm(3) 矩阵。而且决策属性分为 1：healthy ；2 ：sick 。 并且在 38 个条件属性中没有值为 0。四、挖掘算法1、特殊样本首先在前 200 条样本中分别找出三条对应两种决策属性的重要样本，样本 必须满足在同类决策属性下其他 199 条的 13 条决策属性中和它的

8、13 条条件属 性数目大于等于 10 的前 3 条样本。2、特殊条件属性值其次分别对应两条决策属性值的 5 条重要条件属性值 (在 38 个条件属性里 找)，特殊属性值必须满足： (1)在对应相同决策属性下，此决策属性支持率必须 在前五， (2) 而且如果不同决策属性出现相同条件属性。如果相同决策属性同时 出现在不同决策属性中，删除这条后找支持率第六的条件属性，以此类推。挖掘算法在 MATLAB 里列出并做了标注。五、验证程序1、预处理在验证程序里面分别对测试数据和六条样本做了对比， 又对其属性值和特殊 属性值做了对比，最后利用加权求和算法判断测试样本的决策属性正确率。其中： nc，mc 代表

9、测试数据分别和两类样本属性中相同数是否大于等于 9 时的加权值。 ncc,mcc 代表测试数据分别和两类特殊属性满足几条数目的加权 值。2、关联规则(1)、如果 (nc>=0.9&ncc>=8)|(ncc>=10&nc>=0.6)得到决策属性 healthy如果 (mc>=0.9|mcc>=8)|(mcc>=9&mc>=0.6)得(2)、不满足以上条件的话 到决策属性 sick 。(3)、不满足以上条件的话 healthy 。(4)、(5)、(6)、(7)、不满足以上条件的话 不满足以上条件的话 不满足以上条件的话 不满足

10、以上条件的话如果 nc>=(mc+0.3)|ncc>=(mcc+2)得到决策属性mc>nc 得到决策属性为 sick 。 得到决策属性为 healthy 。 得到决策属性为 sick 。 sick 。如果如果如果 得到决策属性为ncc>mccmcc>ncc六、正确率及结果分析 正确率为 82.5% 结果分析：由于采用了两类约束方法，所以效果还可以。七、程序如下页所示clear;% 数据预处理程序 %dm=xlsread('lisanhua');% 载入数据%z1=dm(:,1); for i=1:303% 离散化第一列数据if z1(i)>=

11、29&z1(i)<48 z1(i)=1;elseif z1(i)>=48&z1(i)<62 z1(i)=2;else z1(i)=3;end end z2=dm(:,2); for i=1:303if z2(i)=0z2(i)=1; else z2(i)=2; endend z3=dm(:,3); for i=1:303z3(i)=z3(i)+1;end z4=dm(:,4); for i=1:303if z4(i)>=94&z4(i)<110z4(i)=1;elseif z4(i)>=110&z4(i)<143 z4(

12、i)=2;else z4(i)=3;end end z5=dm(:,5); for i=1:303if z5(i)>=126&z5(i)<205 z5(i)=1;elseif z5(i)>=205&z5(i)<293 z5(i)=2;else z5(i)=3;end end z6=dm(:,6); for i=1:303z6(i)=z6(i)+1;end z7=dm(:,7); for i=1:303 end z8=dm(:,8); for i=1:303z7(i)=z7(i)+1;if z8(i)>=71&z8(i)<120 z8(

13、i)=1;elseif z8(i)>=120&z8(i)<175 z8(i)=2;else z8(i)=3;end end z9=dm(:,9); for i=1:303z9(i)=z9(i)+1;end z10=dm(:,10);for i=1:303if z10(i)>=0&z10(i)<1.5 z10(i)=1;elseif z10(i)>=1.5&z10(i)<2.5 z10(i)=2;else z10(i)=3;end end z11=dm(:,11);for i=1:303z11(i)=z11(i)+1;end z12=d

14、m(:,12);for i=1:303 end z13=dm(:,13);z12(i)=z12(i)+1;for i=1:303z13(i)=z13(i)+1;end z14=dm(:,14);for i=1:303z14(i)=z14(i)+1;end dm2=z1,z2,z3,z4,z5,z6,z7,z8,z9,z10,z11,z12,z13,z14;% % m1=0,3,2,4,3,3,2,3,3,2,3,3,4,3;k=1;w=m1(k);dm3=dm2; for i=1:3939dm3(i)=dm2(i)+w;if rem(i,303)=0 k=k+1; w=w+m1(k);end

15、end % 预处理结束 % % 挖掘算法 % % 找 6 条样本前的预处理 dm4=zeros(200,14);dm5=zeros(200,14);for i=1:200if dm3(i,14)=1dm4(i,1:13)=dm3(i,1:13); else dm5(i,1:13)=dm3(i,1:13); endend a1=zeros(38,1);a2=zeros(38,1);for k=1:38 for i=1:13for j=1:200if dm4(j,i)=k&dm4(j,i)=0 a1(k)=a1(k)+1;endif dm5(j,i)=k&dm5(j,i)=0 a2

16、(k)=a2(k)+1;endend end end a5=a1;a6=a2; a3=zeros(5,1);a4=zeros(5,1); j=1;while j<6a11=0;a11=max(a1);for i=1:38if a1(i)=a11 a3(j)=a11; j=j+1;if j>5break;end a1(i)=0;endend end j=1;while j<6a22=0;a22=max(a2);for i=1:38if a2(i)=a22 a4(j)=a22; j=j+1;if j>5 break;end a2(i)=0;endend end% 构造 h1

17、 h2 矩阵 h1=zeros(200,14);h2=zeros(1,200); y1=0;y2=0;y3=0;y4=0;for j=1:200x=0;for i=1:200h1(i,1:13)=dm3(j,1:13)=dm3(i,1:13);h1(i,14)=dm3(j,14)=dm3(i,14);if sum(h1(i,1:13)>=10&h1(i,14)=1x=x+1;end end h2(j)=x;end % % 筛选 h2 矩阵 得到 h3 h4 矩阵 h3=zeros(1,200);h4=zeros(1,200);for i=1:200if z14(i)=1h3(i)

18、=h2(i); else h4(i)=h2(i); endend%h5=h3;h6=h4;% 找六条重要样本 %y1=max(h5); for i=1:200if h5(i)=y1 h5(i)=0;t1=i;endendy2=max(h5); for i=1:200if h5(i)=y2 h5(i)=0;t2=i;endendy3=max(h5); for i=1:200if h5(i)=y3 h5(i)=0;t3=i;endendy4=max(h6); for i=1:200if h6(i)=y4 h6(i)=0;t4=i;y5=max(h6); for i=1:200if h6(i)=y5

19、 h6(i)=0;t5=i;endendy6=max(h6); for i=1:200if h6(i)=y6 h6(i)=0;t6=i;endend% 找特殊样本结束找特% 殊属性值dm4=zeros(200,14);dm5=zeros(200,14);for i=1:200if dm3(i,14)=1dm4(i,1:13)=dm3(i,1:13); else dm5(i,1:13)=dm3(i,1:13); endenda1=zeros(38,1);a2=zeros(38,1);for k=1:38for i=1:13for j=1:200if dm4(j,i)=k&dm4(j,i)

20、=0 a1(k)=a1(k)+1;endif dm5(j,i)=k&dm5(j,i)=0 a2(k)=a2(k)+1;endendendenda5=a1;a6=a2; a3=zeros(6,1);a4=zeros(6,1); j=1;while j<7a11=0;a11=max(a1);for i=1:38if a1(i)=a11 a3(j)=a11; j=j+1;if j>6 break;end a1(i)=0;endendendj=1;while j<7 a22=0; a22=max(a2); for i=1:38if a2(i)=a22 a4(j)=a22; j

21、=j+1;if j>6break;end a2(i)=0;endendendb1=zeros(6,1);b2=zeros(6,1);for j=1:6for i=1:38if a5(i)=a3(j) b1(j)=i;endendendfor j=1:6for i=1:38if a6(i)=a4(j) b2(j)=i;endendendb3(1:5,1)=b1(2:6,1);b4(1:5,1)=b2(1:5,1);% 寻找结束% 验证程序开始h7=zeros(103,14);h8=zeros(103,14);tc=0;for i=1:103h7(i,1:13)=dm3(200+i,1:13

22、);end% 特殊样本for i=1:103nc=0;mc=0;ncc=0;mcc=0;h8(i,1:13)=h7(i,1:13)=dm3(t1,1:13);if sum(h8(i,1:13)>=9nc=nc+0.3;end h8(i,1:13)=h7(i,1:13)=dm3(t2,1:13);if sum(h8(i,1:13)>=9nc=nc+0.3;00+oehoe6h 八(eu 二)8u)£ns 七 0 三 ©)c£PHH(e U 二)ehk二)s00+oehoe6夬(e二)8匸)Ens七-(eL-ecephhk二)卜(e二)200+oehoe6

23、夬(Ku 二)s)Ens 七 yeL-寸二cephhk二)卜(e二)2pu mo+ouhou 6h 八(eu 二)8u)£ns 七 yeL-scephhk二)卜(e二)2Z+OOUHOOU(g)eqHH(rD2 七 s_eZ+OOUHOOU(寸)2HH(rD2± s_eZ+OOUHOOU seqHHnu 七 s_em+oouhoous2HH(rD2 七s_e&+OOUHOOU(L)cqHH(s2±"L匸04-OHOOUOHOOU&&&&&&&&&&&&

24、&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&-+ooehooe(g)寸qHH(rILU一 s_ez+ooluhoolu(寸)寸qHH(rD2七s_ez+ooluhoolus寸qHH(rD2 七s_ek+ooluhoolu(0)寸qHH(rD2 七s_em+ooluhoolu(L)寸qHH(rILU一 s_eouaolu七s-匚(寸二)2(0+OOLU)HAOOU-(e o+OE)HAOU 七S-ZH (寸二)2O OHAOEOHAOOE-raHAOOE-O OHAOE 七 s_ 匚(寸二)2O OHAOCS VAOOS-raHAOOCO OHAOS&am