规则生成

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

在 MATLAB 中，不规则网格时，有时需要自己动手定制一些方法，而不是单纯使用meshgrid。像IrregularMeshGridXboundaryYBoundaryNxNyKeepPointsPlotBOOL这种实例，就挺适合这类问题。它能你创建二维不规则网格，是在复杂数据时，像地理信息系统、医学成像等领域都能派上用场。程序里的算法用到了delaunay或voronoi，从散乱的数据点生成三角网格或者 Voronoi 图，适合不均匀分布的数据。Xboundary和Yboundary分别设定了网格的 x 轴和 y 轴的边界，确保你能精确控制网格的范围。KeepPointsPlotBOOL则

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。

利用遗传算法优化数据挖掘算法，提高信息挖掘效率。

模糊属性的数据库你是不是也头大？传统 Apriori 虽然经典，但一上来就给一堆频繁项集，真心不好消化。模糊关联规则格这个思路就蛮不一样的，它是把模糊概念格和关联规则搅一块，搞出了个既能动态构建又能精炼规则的办法。节点和属性项集是一一对应的，这样一来你在构建格的时候，逻辑也更清晰了，是针对动态数据库，增删改数据的时候，不用每次都重新挖一遍规则，节省不少时间。而且，它不像 Apriori 那样死板，需要频繁扫描数据。模糊规则格更像是“边建边挖”，效率还不错，冗余规则少，对用户友好度也高。如果你做的是模糊数据挖掘、个性推荐或者是症状类的，真的可以试试。想补一下相关基础知识的，也可以看看这些文章：A

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-。

为了避免歧义，WHERE子句中列名需要以表名前缀进行限定。表名前缀可以提高查询性能。对于表中不同的列名，可以使用别名进行标识。

选择“排序规则设置”。

阿里巴巴公开了一份名为《Cobar规则 - Alibaba Open Sesame.pdf》的资源下载文件，帮助用户优化Cobar数据库的使用规则。该指南详细介绍了如何调整和优化Cobar数据库的规则以提高性能和效率。通过遵循这些优化建议，用户可以更好地管理和利用其数据库资源。