我有一个开放式问题。我有22个有序的符号列表，我想探索一些方法，看看这些符号的顺序或顺序是否有明显的子序列。
背景： 符号表示人们在尝试调试系统时所采取的不同类型的操作，因此，它们遵循一些可预测的趋势似乎是合乎逻辑的。例如，我希望人们在尝试修复之前需要弄清楚问题是什么，在测试之前编辑代码等等。一个重要的事情是可能有几个相同的符号被重复，然后继续一个不同的符号。例如，用户可以在尝试运行代码之前编辑许多不同的文件。
大约有20个唯一符号，每个有序符号列表长约120个符号（长度各不相同！），并且有22个这样的列表。
我想以编程方式注意这些列表中的趋势。我该怎么做呢？
有趣的子序列可以是以下任何一种：
最重要的一个：
我可以探索哪些数据挖掘技术来帮助回答这些问题？
答案 0 :(得分：1)
非常好的问题！我有几个想法来解决这个问题。让我简要介绍一下，并希望其中至少有一个能满足你的目的。
最流行的模式挖掘算法毫无疑问是Apriori algorithm。它旨在应用于事务数据库，以发现客户在商店中进行的事务中的模式。但它也可以应用于其他几个应用程序中。事务定义了一组不同的项（符号）。 Apriori将（1）用户设置的 minsup 阈值和（2）包含一组事务的事务数据库作为输入。 Apriori输出所有频繁项目集，即在输入数据库中由不少于 minsup 事务共享的项目组。我相信频繁的模式挖掘方法最符合您的需求。
顺序模式挖掘涉及在数据示例之间找到统计相关的模式，其中值作为序列传递。一个示例顺序模式挖掘技术是GSP（广义顺序模式）算法。
基于群集的方法
群集是将数据分组为子集或群集，其中每个群集中的项（数据）共享共同特征。因此，基于聚类的方法可能是另一个值得关注的有趣方法。基于密度的聚类或层次聚类可以产生非常有趣的模式。
基于图表的方法
我相信基于图形的方法也是有效的。例如，如果您创建22个图形（每个图形代表一个有序的符号列表），那么您可以查找将为您提供趋势事件的公共子图。
预测模型
在最先进的趋势分析技术中，人们使用预测模型，如神经网络，内核机器，决策树（其他基于规则的学习范例），并且在许多事件中他们发现它们是有效的！
如果我遇到这个问题，我会从模式挖掘技术开始！