基於R的FP樹fp growth 關聯數據挖掘技術在煤礦隱患管理
原文連接：http://tecdat.cn/?p=5393
研究煤礦隱患數據的挖掘以實現海量隱患數據的有效利用，在分析礦山數據挖掘枝術和煤礦隱患數據特色的基礎上，提出煤礦隱患數據挖掘是礦山數字化的重要組成部分，給出煤礦隱患數據挖掘的概念，設計了煤礦隱患數據挖掘模型，並進一步分析了適用於煤礦隱患數據的挖掘算法。以關聯算法爲例，對隱患數據進行多維關聯規則挖掘，分析挖掘結果代表隱患多維數據之間存在緊密關聯性，可以爲煤礦安全決策提供支持。算法
如下以R語言爲例爲你們介紹關聯規則在煤礦隱患管理的應用安全
dat1=read.csv("安全隱患數據FP-Growth.csv",header=T ,stringsAsFactors=T)read data
head(dat1)have a look at data
隱患日期 隱患單位 隱患條數 彙報人 隱患地點 隱患地點.1
1 2009/1/2 綜採隊 5條 張立新 1106工做面 工做面
2 2009/1/2 綜採隊 趙軍孫旭光 1106工做面 工做面
3 2009/1/2 綜採隊 郎志俊趙建軍 1106工做面 工做面
4 2009/1/2 機電二隊 4條 宋慧剛李思光 一採區膠帶巷 膠帶巷
5 2009/1/2 機電二隊 4條 宋慧剛李思光 一採區膠帶巷 膠帶巷
6 2009/1/2 機電二隊 4條 宋慧剛李思光 一採區膠帶巷 膠帶巷
處理措施 處理時間 負責人 隱患描述
1 處理 2009/1/3 趙海根 一、有兩組支架高壓膠管破
2 處理開水幕 2009/1/3 陳小旦 一、皮帶機頭硬架尾部壓柱不吃勁
3 調整管理 2009/1/3 陳小旦 二、60-66架煤牆鬆軟，有片幫現象
4 整改 2009/1/3 崔慶忠 一、主皮帶上坡處第一道擋車器有一個肖未插到位
5 整改 2009/1/3 崔慶忠 二、主皮帶機頭消防水管未碼放
6 整改 2009/1/3 崔慶忠 四、主皮帶機頭有一盞燈一頭未吊掛
隱患主題 隱患時間
1 支架問題 第一季度
2 皮帶機問題 第一季度
3 片幫問題 第一季度
4 皮帶機問題 第一季度
5 火災問題 第一季度
6 皮帶機問題 第一季度
隱患主題、隱患時間、隱患地點和隱患單位
dat1=as(dat1[c("隱患主題","隱患時間","隱患地點.1","隱患單位")], "transactions")
inspect(frequentsets[1:10]) 察看求得的頻繁項集 review frequent sets
items support
[1] {隱患主題=片幫問題,隱患地點.1=工做面} 0.05084388
[2] {隱患地點.1=排水巷,隱患單位=綜掘二隊} 0.05327004
[3] {隱患主題=支架問題,隱患地點.1=工做面} 0.06329114
[4] {隱患時間=第二季度,隱患地點.1=猴車巷} 0.05126582
[5] {隱患地點.1=猴車巷,隱患單位=綜掘三隊} 0.08829114
[6] {隱患時間=第二季度,隱患單位=綜掘一隊} 0.05000000
[7] {隱患地點.1=風巷,隱患單位=綜掘一隊} 0.08164557
[8] {隱患時間=第二季度,隱患單位=綜掘二隊} 0.05527426
[9] {隱患時間=第二季度,隱患單位=綜掘三隊} 0.05991561
[10] {隱患地點.1=工做面,隱患單位=綜採隊} 0.13491561
根據支持度對求得的頻繁項集排序並察看（等價於inspect(sort(frequentsets)[1:10]）
items support
[1] {隱患時間=第二季度} 0.3750000
[2] {隱患地點.1=工做面} 0.2995781
[3] {隱患時間=第一季度} 0.2668776
[4] {隱患時間=第三季度} 0.1997890
[5] {隱患單位=綜安隊} 0.1775316
[6] {隱患地點.1=風巷} 0.1585443
[7] {隱患地點.1=工做面,隱患單位=綜安隊} 0.1521097
[8] {隱患主題=錨杆問題} 0.1464135
[9] {隱患時間=第四季度} 0.1437764
[10] {隱患主題=皮帶機問題} 0.1431435
fp growth tree Mine association rulesapp
fptree=function (data, parameter = NULL, appearance = NULL, control = NULL)
{
data
appearance <- as(c(appearance, list(labels = itemLabels(data))),
"APappearance")
validObject(result@lhs@data)
validObject(result@rhs@data)
}
else {
validObject(result@items@data)
}
result
}
rules=fptree(dat1,parameter=list(support=0.06,confidence=0.1,minlen=2)) 求關聯規則
summary(rules)Inspect transactions
set of 25 rules
rule length distribution (lhs + rhs):sizes
2 3
22 3
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.00 2.00 2.00 2.12 2.00 3.00
summary of quality measures:
support confidence lift
Min. :0.06276 Min. :0.1868 Min. :0.9775
1st Qu.:0.06456 1st Qu.:0.2928 1st Qu.:1.0806
Median :0.07078 Median :0.4244 Median :1.3247
Mean :0.08642 Mean :0.4940 Mean :2.5253
3rd Qu.:0.08829 3rd Qu.:0.6643 3rd Qu.:3.2100
Max. :0.15211 Max. :0.9676 Max. :7.2803
mining info:
data ntransactions support confidence
dat1 9480 0.06 0.1
inspect(head(rules))
lhs rhs support confidence
[1] {隱患主題=支架問題} => {隱患地點.1=工做面} 0.06329114 0.9600000
[2] {隱患地點.1=工做面} => {隱患主題=支架問題} 0.06329114 0.2112676
[3] {隱患地點.1=猴車巷} => {隱患單位=綜掘三隊} 0.08829114 0.9676301
[4] {隱患單位=綜掘三隊} => {隱患地點.1=猴車巷} 0.08829114 0.6642857
[5] {隱患單位=綜掘一隊} => {隱患地點.1=風巷} 0.08164557 0.7267606
[6] {隱患地點.1=風巷} => {隱患單位=綜掘一隊} 0.08164557 0.5149701
lift
[1] 3.204507
[2] 3.204507
[3] 7.280264
[4] 7.280264
[5] 4.583959
[6] 4.583959
quality(head(rules))
support confidence lift
1 0.06329114 0.9600000 3.204507
2 0.06329114 0.2112676 3.204507
3 0.08829114 0.9676301 7.280264
4 0.08829114 0.6642857 7.280264
5 0.08164557 0.7267606 4.583959
6 0.08164557 0.5149701 4.583959
rules <- sort(rules, by="support")
inspect(head(rules, n=40))Look at rules with highest support
lhs rhs
[1] {隱患單位=綜安隊} => {隱患地點.1=工做面}
[2] {隱患地點.1=工做面} => {隱患單位=綜安隊}
[3] {隱患單位=綜採隊} => {隱患地點.1=工做面}
[4] {隱患地點.1=工做面} => {隱患單位=綜採隊}
[5] {隱患地點.1=工做面} => {隱患時間=第二季度}
[6] {隱患時間=第二季度} => {隱患地點.1=工做面}
[7] {隱患地點.1=猴車巷} => {隱患單位=綜掘三隊}
[8] {隱患單位=綜掘三隊} => {隱患地點.1=猴車巷}
[9] {隱患時間=第一季度} => {隱患地點.1=工做面}
[10] {隱患地點.1=工做面} => {隱患時間=第一季度}
[11] {隱患單位=綜掘一隊} => {隱患地點.1=風巷}
[12] {隱患地點.1=風巷} => {隱患單位=綜掘一隊}
[13] {隱患單位=綜安隊} => {隱患時間=第二季度}
[14] {隱患時間=第二季度} => {隱患單位=綜安隊}
[15] {隱患地點.1=風巷} => {隱患時間=第二季度}
[16] {隱患時間=第二季度} => {隱患地點.1=風巷}
[17] {隱患地點.1=工做面,隱患單位=綜安隊} => {隱患時間=第二季度}
[18] {隱患時間=第二季度,隱患單位=綜安隊} => {隱患地點.1=工做面}
[19] {隱患時間=第二季度,隱患地點.1=工做面} => {隱患單位=綜安隊}
[20] {隱患時間=第三季度} => {隱患地點.1=工做面}
[21] {隱患地點.1=工做面} => {隱患時間=第三季度}
[22] {隱患主題=支架問題} => {隱患地點.1=工做面}
[23] {隱患地點.1=工做面} => {隱患主題=支架問題}
[24] {隱患單位=綜安隊} => {隱患時間=第一季度}
[25] {隱患時間=第一季度} => {隱患單位=綜安隊}
support confidence lift
[1] 0.15210970 0.8568033 2.8600336
[2] 0.15210970 0.5077465 2.8600336
[3] 0.13491561 0.9616541 3.2100286
[4] 0.13491561 0.4503521 3.2100286
[5] 0.10981013 0.3665493 0.9774648
[6] 0.10981013 0.2928270 0.9774648
[7] 0.08829114 0.9676301 7.2802642
[8] 0.08829114 0.6642857 7.2802642
[9] 0.08639241 0.3237154 1.0805712
[10] 0.08639241 0.2883803 1.0805712
[11] 0.08164557 0.7267606 4.5839588
[12] 0.08164557 0.5149701 4.5839588
[13] 0.07078059 0.3986928 1.0631808
[14] 0.07078059 0.1887482 1.0631808
[15] 0.07004219 0.4417831 1.1780883
[16] 0.07004219 0.1867792 1.1780883
[17] 0.06455696 0.4244105 1.1317614
[18] 0.06455696 0.9120715 3.0445205
[19] 0.06455696 0.5878963 3.3115012
[20] 0.06339662 0.3173178 1.0592159
[21] 0.06339662 0.2116197 1.0592159
[22] 0.06329114 0.9600000 3.2045070
[23] 0.06329114 0.2112676 3.2045070
[24] 0.06276371 0.3535354 1.3247095
[25] 0.06276371 0.2351779 1.3247095
Look at rules with highest support
lhs rhs
[1] {隱患地點.1=猴車巷} => {隱患單位=綜掘三隊}
[2] {隱患單位=綜採隊} => {隱患地點.1=工做面}
[3] {隱患主題=支架問題} => {隱患地點.1=工做面}
[4] {隱患時間=第二季度,隱患單位=綜安隊} => {隱患地點.1=工做面}
[5] {隱患單位=綜安隊} => {隱患地點.1=工做面}
[6] {隱患單位=綜掘一隊} => {隱患地點.1=風巷}
[7] {隱患單位=綜掘三隊} => {隱患地點.1=猴車巷}
[8] {隱患時間=第二季度,隱患地點.1=工做面} => {隱患單位=綜安隊}
[9] {隱患地點.1=風巷} => {隱患單位=綜掘一隊}
[10] {隱患地點.1=工做面} => {隱患單位=綜安隊}
[11] {隱患地點.1=工做面} => {隱患單位=綜採隊}
[12] {隱患地點.1=風巷} => {隱患時間=第二季度}
[13] {隱患地點.1=工做面,隱患單位=綜安隊} => {隱患時間=第二季度}
[14] {隱患單位=綜安隊} => {隱患時間=第二季度}
[15] {隱患地點.1=工做面} => {隱患時間=第二季度}
[16] {隱患單位=綜安隊} => {隱患時間=第一季度}
[17] {隱患時間=第一季度} => {隱患地點.1=工做面}
[18] {隱患時間=第三季度} => {隱患地點.1=工做面}
[19] {隱患時間=第二季度} => {隱患地點.1=工做面}
[20] {隱患地點.1=工做面} => {隱患時間=第一季度}
[21] {隱患時間=第一季度} => {隱患單位=綜安隊}
[22] {隱患地點.1=工做面} => {隱患時間=第三季度}
[23] {隱患地點.1=工做面} => {隱患主題=支架問題}
[24] {隱患時間=第二季度} => {隱患單位=綜安隊}
[25] {隱患時間=第二季度} => {隱患地點.1=風巷}
support confidence lift
[1] 0.08829114 0.9676301 7.2802642
[2] 0.13491561 0.9616541 3.2100286
[3] 0.06329114 0.9600000 3.2045070
[4] 0.06455696 0.9120715 3.0445205
[5] 0.15210970 0.8568033 2.8600336
[6] 0.08164557 0.7267606 4.5839588
[7] 0.08829114 0.6642857 7.2802642
[8] 0.06455696 0.5878963 3.3115012
[9] 0.08164557 0.5149701 4.5839588
[10] 0.15210970 0.5077465 2.8600336
[11] 0.13491561 0.4503521 3.2100286
[12] 0.07004219 0.4417831 1.1780883
[13] 0.06455696 0.4244105 1.1317614
[14] 0.07078059 0.3986928 1.0631808
[15] 0.10981013 0.3665493 0.9774648
[16] 0.06276371 0.3535354 1.3247095
[17] 0.08639241 0.3237154 1.0805712
[18] 0.06339662 0.3173178 1.0592159
[19] 0.10981013 0.2928270 0.9774648
[20] 0.08639241 0.2883803 1.0805712
[21] 0.06276371 0.2351779 1.3247095
[22] 0.06339662 0.2116197 1.0592159
[23] 0.06329114 0.2112676 3.2045070
[24] 0.07078059 0.1887482 1.0631808
[25] 0.07004219 0.1867792 1.1780883
Look at rules with highest lift
lhs rhs
[1] {隱患地點.1=猴車巷} => {隱患單位=綜掘三隊}
[2] {隱患單位=綜掘三隊} => {隱患地點.1=猴車巷}
[3] {隱患單位=綜掘一隊} => {隱患地點.1=風巷}
[4] {隱患地點.1=風巷} => {隱患單位=綜掘一隊}
[5] {隱患時間=第二季度,隱患地點.1=工做面} => {隱患單位=綜安隊}
[6] {隱患單位=綜採隊} => {隱患地點.1=工做面}
[7] {隱患地點.1=工做面} => {隱患單位=綜採隊}
[8] {隱患地點.1=工做面} => {隱患主題=支架問題}
[9] {隱患主題=支架問題} => {隱患地點.1=工做面}
[10] {隱患時間=第二季度,隱患單位=綜安隊} => {隱患地點.1=工做面}
[11] {隱患單位=綜安隊} => {隱患地點.1=工做面}
[12] {隱患地點.1=工做面} => {隱患單位=綜安隊}
[13] {隱患單位=綜安隊} => {隱患時間=第一季度}
[14] {隱患時間=第一季度} => {隱患單位=綜安隊}
[15] {隱患地點.1=風巷} => {隱患時間=第二季度}
[16] {隱患時間=第二季度} => {隱患地點.1=風巷}
[17] {隱患地點.1=工做面,隱患單位=綜安隊} => {隱患時間=第二季度}
[18] {隱患時間=第一季度} => {隱患地點.1=工做面}
[19] {隱患地點.1=工做面} => {隱患時間=第一季度}
[20] {隱患單位=綜安隊} => {隱患時間=第二季度}
[21] {隱患時間=第二季度} => {隱患單位=綜安隊}
[22] {隱患時間=第三季度} => {隱患地點.1=工做面}
[23] {隱患地點.1=工做面} => {隱患時間=第三季度}
[24] {隱患地點.1=工做面} => {隱患時間=第二季度}
[25] {隱患時間=第二季度} => {隱患地點.1=工做面}
support confidence lift
[1] 0.08829114 0.9676301 7.2802642
[2] 0.08829114 0.6642857 7.2802642
[3] 0.08164557 0.7267606 4.5839588
[4] 0.08164557 0.5149701 4.5839588
[5] 0.06455696 0.5878963 3.3115012
[6] 0.13491561 0.9616541 3.2100286
[7] 0.13491561 0.4503521 3.2100286
[8] 0.06329114 0.2112676 3.2045070
[9] 0.06329114 0.9600000 3.2045070
[10] 0.06455696 0.9120715 3.0445205
[11] 0.15210970 0.8568033 2.8600336
[12] 0.15210970 0.5077465 2.8600336
[13] 0.06276371 0.3535354 1.3247095
[14] 0.06276371 0.2351779 1.3247095
[15] 0.07004219 0.4417831 1.1780883
[16] 0.07004219 0.1867792 1.1780883
[17] 0.06455696 0.4244105 1.1317614
[18] 0.08639241 0.3237154 1.0805712
[19] 0.08639241 0.2883803 1.0805712
[20] 0.07078059 0.3986928 1.0631808
[21] 0.07078059 0.1887482 1.0631808
[22] 0.06339662 0.3173178 1.0592159
[23] 0.06339662 0.2116197 1.0592159
[24] 0.10981013 0.3665493 0.9774648
[25] 0.10981013 0.2928270 0.9774648
相關文章
- 1. 關聯規則挖掘：FP-Growth算法
- 2. 基於FP-tree的關聯規則挖掘FP-growth算法基本思想
- 3. 數據挖掘算法-FP-Growth
- 4. 數據挖掘-關聯分析 Apriori算法和FP-growth 算法
- 5. 【數據挖掘】關聯規則之FP-growth算法
- 6. FP-Growth
- 7. FP-growth
- 8. 數據挖掘進階之關聯規則挖掘FP-Growth算法
- 9. 數據挖掘回顧十二：關聯規則挖掘之 FP-Growth 算法
- 10. 數據挖掘 關聯規則的FP-growth-tree（FP增加樹）的python實現(二)
- 更多相關文章...
- • XML 相關技術 - XML 教程
- • Hibernate的快照技術 - Hibernate教程
- • TiDB 在摩拜單車在線數據業務的應用和實踐
- • ☆基於Java Instrument的Agent實現
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
