论文部分内容阅读
传统关联规则挖掘算法主要基于支持度一可信度构架，时空开销的限制使其无法深入挖掘非频繁项集。171前对带类属性的关联分类增量学习研究较少，该文提出一种新的增量式关联分类方法，解决了带类属性数据的增量学习问题，在数据频繁更新时，实现有限时空开销下关联规则的快速提取和维护。实验结果表明，该方法能有效维护并更新关联规则，避免重复学习历史样本，保证分类模型的预测能力。