Data Mining von Sequenzdaten - Fachgebiet Datenbanken und ...

Weitere Magazine

Empfehlungen

Info

5 IMPLEMENTIERUNG 54 Abbildung 25: Speicherung von gefundenen sequentiellen Mustern Durch Anwendung der Pseudo-Projektion kann die Effizienz bezüglich Zeit- und Speicheraufwand von PrefixSpan erheblich gesteigert werden. Allerdings bedingt die Pseudo- Projektion, dass die zugrundeliegende Sequenzdatenbank im Hauptspeicher gespeichert werden kann. Da dies bei den vorliegenden Prüfungsdaten der Fall ist, wurde die Pseudo- Projektionstechnik für die Erzeugung von projizierten Datenbanken gewählt. Die Indexe für die Adressierung des letztem Präfix-Items wurde in der Datenstruktur Integer[][] als |Sequenzdatenbank| × 2-Matrix implementiert. Für jede Sequenz-id (sid) in der Sequenzdatenbank wird der Index des Elementes Integer[sid][0] und der Index des Items Integer[sid][1] gespeichert. Für jedes gefundene Muster wird entsprechend eine solche Index-Matrix für die Pseudo-Projektion erzeugt. Die Index- Matrizen werden nach der gleichen Adressierung wie die gespeicherten Muster in der Datenstruktur ArrayList gespeichert (siehe Abbildung 26). Sortierung der gespeicherten sequentiellen Muster nach der i-Länge Für die Ausgabe der Muster ist es sinnvoll die Muster nach der i-Länge zu sortieren. Ein weiterer Vorteil ist, dass wenn die Menge der sequentiellen Muster der i-Länge nach sortiert vorliegen, dann kann daraus die Menge der maximalen und geschlossenen Muster effizient berechnet werden. Mit ArrayList wurde die gleiche Datenstruktur verwendet wie für die Speicherung der sequentiellen Muster. Dementsprechend wurden die Supportinformationen der sortierten Muster als ArrayList gespeichert (siehe Abbildung 27).
5 IMPLEMENTIERUNG 55 Abbildung 26: Speicherung der Index-Matrizen für jedes gefundene Muster Abbildung 27: Speicherung der sortierten sequentiellen Muster mit der i-Länge 1 und 2
Seite 1:
Data Mining von Sequenzdaten Diplom
Seite 4 und 5:
IV Zusammenfassung Das Forschungsfe
Seite 6 und 7:
INHALTSVERZEICHNIS VI 5.1 PrefixSpa
Seite 8 und 9:
1 EINLEITUNG 2 Ein anderes wichtige
Seite 10 und 11: 1 EINLEITUNG 4 〈32100, 05/08, {
Seite 12 und 13: 1 EINLEITUNG 6 Dabei sollen die Dat
Seite 14 und 15: 2 GRUNDLAGEN 8 tern. Mit Hilfe des
Seite 16 und 17: 2 GRUNDLAGEN 10 ist, und d ein Prod
Seite 18 und 19: 2 GRUNDLAGEN 12 Beispiel 2.9. Gegeb
Seite 20 und 21: 2 GRUNDLAGEN 14 Abbildung 5: Darste
Seite 22 und 23: 2 GRUNDLAGEN 16 Zum Beispiel ist di
Seite 24 und 25: 2 GRUNDLAGEN 18 Wie schon im Anfang
Seite 26 und 27: 3 ALGORITHMEN 20 3 Algorithmen In d
Seite 28 und 29: 3 ALGORITHMEN 22 Um zu zeigen, dass
Seite 30 und 31: 3 ALGORITHMEN 24 3-Muster 2-Präfix
Seite 32 und 33: 3 ALGORITHMEN 26 1. Sei {x 1 , x 2
Seite 34 und 35: 3 ALGORITHMEN 28 Präfix projiziert
Seite 36 und 37: 3 ALGORITHMEN 30 dabei unterschiedl
Seite 38 und 39: 3 ALGORITHMEN 32 Abbildung 14: gesc
Seite 40 und 41: 3 ALGORITHMEN 34 nach häufigen, ge
Seite 42 und 43: 3 ALGORITHMEN 36 Eingabe: Sequenzda
Seite 44 und 45: 3 ALGORITHMEN 38 ist. Deshalb brauc
Seite 46 und 47: 3 ALGORITHMEN 40 th). Auch wird bei
Seite 48 und 49: 3 ALGORITHMEN 42 Respektive erhält
Seite 50 und 51: 4 DURCHFÜHRUNG DES DATA MININGS 44
Seite 58 und 59: 5 IMPLEMENTIERUNG 52 5 Implementier
Seite 62 und 63: 5 IMPLEMENTIERUNG 56 Methodenübers
Seite 64 und 65: 5 IMPLEMENTIERUNG 58 • boolean: i
Seite 66 und 67: 5 IMPLEMENTIERUNG 60 Abbildung 30:
Seite 70 und 71: 5 IMPLEMENTIERUNG 64 Berechnet den
Seite 74 und 75: 5 IMPLEMENTIERUNG 68 den MinSupport
Seite 76 und 77: 5 IMPLEMENTIERUNG 70 Auch lassen si
Seite 78 und 79: 5 IMPLEMENTIERUNG 72 Auswahlparamet
Seite 80 und 81: 5 IMPLEMENTIERUNG 74 (a) Kontextdia
Seite 82 und 83: 5 IMPLEMENTIERUNG 76 Im Folgenden s
Seite 84 und 85: 6 ERGEBNISSE 78 6 Ergebnisse In die
Seite 86 und 87: 6 ERGEBNISSE 80 (a) maximale sequen
Seite 88 und 89: 6 ERGEBNISSE 82 Im Folgenden sollen
Seite 92 und 93: 6 ERGEBNISSE 86 jekt Technische Inf
Seite 96 und 97: 6 ERGEBNISSE 90 dienverläufen. Es
Seite 100 und 101: 6 ERGEBNISSE 94 Informationssysteme
Seite 102 und 103: 6 ERGEBNISSE 96 Elektrotechnische G
Seite 104 und 105: 7 SCHLUSS 98 7.2 Ausblick In dieser
Seite 106 und 107: 8 ANHANG 100 8.2 Beispiel für die
Seite 108 und 109: 8 ANHANG 102 8.4 Regelstudienplan d
Seite 110 und 111:
LITERATUR 104 Literatur [AG02] [AS9
Seite 112:
Erklärung Hiermit versichere ich,
Alle anzeigen

Data Mining von Sequenzdaten - Fachgebiet Datenbanken und ...

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?