频繁图模式挖掘质量管理过程分析

质量管理 小组命题：质量管理 组长：王晓敏 主讲人：杨峰 评委：贾铨宇 小组分工： 王晓敏：检验平台模块 杨峰：来料检验模块 倪海涛：产品检验模块 范玲玲：工序检验模块 钱瑶：在库检验模块 贾铨宇：统计分析模块

例3.1 计算英语成绩高于60分的学生的数学和语文的平均成绩。

频繁模式挖掘在数据挖掘中扮演着关键角色，存在多种算法。本研究探索了模式连续挖掘中算法相关的主要问题和挑战。

从质量管理学科的技术发展角度看，信息化后的生产过程控制与传统生产管理存在显著差异：管理理念、管理工具及管理成果各不相同。

为确保产品质量特性达到要求，需进行SPC过程统计分析。确定控制点时，即使某些指标不直接影响最终产品质量，但为达到质量目标，生产过程中也应加以关注。首先需认真研究用户对产品质量的要求，明确这些要求与质量特性的关系，选择并使用与使用目的紧密相关的质量特性指标作为控制项目。

质量管理中常见的统计技术包括基本统计图和表，如百分比图、趋势图等。品管和新品管手法包括直方图、因果图、柏拉图、层别法、检查表、散布图、控制图，以及关联图法、KJ法、系统法、矩阵图法等。此外，SPC方法涵盖控制图、过程能力分析、抽样检验、实验设计(DOE)与田口三次设计、质量功能展开(QFD)、方差分析和回归分析，以及可靠性分析。

非频繁模式的关联算法，挺适合做冷门行为的挖掘。以前总关注那些“老是出现”的组合，像超市里牛奶和面包那种。但有时候，正是那些“不常见”的搭配，才更有意思。比如，一个用户平时啥都不买，突然买了防晒霜和登山杖，是不是藏着点故事？

频繁模式挖掘的隐私保护，老实说还挺让人头疼的。一方面你得保证数据挖得准，另一方面又不能让用户的隐私裸奔。差分隐私就挺有意思，它靠往数据里加点“噪声”，让你挖不出具体个人的信息，但整体模式又还能看出来。这篇综述对差分隐私下的几种频繁模式挖掘方法讲得蛮细，像基于直方图的、基于树结构的，还有基于压缩数据结构的。每种都举了例子，优缺点也得清楚，不会太枯燥，适合你了解当前都有哪些主流做法。对比部分也挺实用，比如哪种方法适合大数据场景、哪种适合模式量多的情况。读完之后心里会比较有谱，知道该选哪条路去试。文章还提了几个未来的方向，像是结合联邦学习、引入深度模型啥的，嗯...有点前沿但不虚浮，给人启发挺大的。

毕业设计 C++ACCESS开发的质量管理系统，适用于毕业设计使用。