哪种浏览器可以打开所有网站,怎样生成链接,单机游戏,网站开发建议Apriori算法由R. Agrawal和R. Srikant于1994年在数据集中寻找布尔关联规则的频繁项集。该算法的名称是Apriori#xff0c;因为它使用了频繁项集属性的先验知识。我们应用迭代方法或逐层搜索#xff0c;其中k-频繁项集用于找到k1个项集。
为了提高频繁项集逐层生成的效率因为它使用了频繁项集属性的先验知识。我们应用迭代方法或逐层搜索其中k-频繁项集用于找到k1个项集。
为了提高频繁项集逐层生成的效率使用了一个重要的属性Apriori属性该属性有助于减少搜索空间。
Apriori属性
频繁项集的所有非空子集必须是频繁项集。Apriori算法的核心概念是支持度的反单调性。Apriori假设 频繁项集的所有子集必须是频繁的Apriori属性。 如果一个项集是不频繁的那么它的所有超集都是不频繁的。 在我们开始理解算法之前可以看看前一篇文章中解释过的一些定义。
考虑以下数据集我们将找到频繁项集并为其生成关联规则。 最小支持计数为2 最低置信度为60%
步骤1K1
(I)创建一个表其中包含数据集中存在的每个项目的支持计数-称为C1候选集 (II)将候选集合项的支持计数与最小支持计数进行比较这里min_support2如果候选集合项的support_count小于min_support则移除那些项。这给了我们项集L1。 步骤2K2
使用L1生成候选集C2这称为连接步骤。连接Lk-1和Lk-1的条件是它应该具有共同的K-2个元素。检查项目集的所有子集是否频繁如果不频繁则删除该项目集。{I1I2}的示例子集是{I1}{I2}它们是频繁的。检查每个项集现在通过在dataset中搜索来找到这些项集的支持计数。 将候选C2支持计数与最小支持计数进行比较这里min_support2如果候选集合项的support_count小于min_support则移除那些项这给出了项集合L2。 步骤3 使用L2生成候选集合C3连接步骤。连接Lk-1和Lk-1的条件是它应该具有共同的K-2个元素。所以这里对于L2第一个元素应该匹配。 所以通过连接L2生成的项集是{I1I2I3}{I1I2I5}{I1I3I5}{I2I3I4}{I2I4I5}{I2I3I5} 检查这些项集的所有子集是否都是频繁的如果不是则删除该项集。({I1I2I3}的子集是{I1I2}{I2I3}{I1I3}它们是频繁的。对于{I2I3I4}子集{I3I4}不是频繁的因此将其移除。类似地检查每个项集 通过在数据集中搜索来找到这些剩余项集的支持计数。 将候选C3支持计数与最小支持计数进行比较这里min_support2如果候选集合项的support_count小于min_support则移除那些项这给出了项集合L3。 步骤4
使用L3生成候选集合C4连接步骤。连接Lk-1和Lk-1K4的条件是它们应该具有K-2个共同元素。因此对于L3前两个元素项目应该匹配。检查这些项集的所有子集是否频繁这里通过连接L3形成的项集是{I1I2I3I5}因此其子集包含{I1I3I5}这不是频繁的。所以C4中没有项集我们停在这里因为没有进一步发现频繁项集
这样我们就发现了所有的频繁项集。强关联规则的生成是目前研究的热点。为此我们需要计算每个规则的置信度。
置信度
60%的置信度意味着60%的购买牛奶和面包的顾客也购买了黄油。 Confidence(A-B)Support_count(A∪B)/Support_count(A) 因此在这里通过以任何频繁项集为例我们将展示规则生成。
Itemset {I1, I2, I3} //from L3
SO rules can be
[I1^I2][I3] //confidence sup(I1^I2^I3)/sup(I1^I2) 2/4*10050%
[I1^I3][I2] //confidence sup(I1^I2^I3)/sup(I1^I3) 2/4*10050%
[I2^I3][I1] //confidence sup(I1^I2^I3)/sup(I2^I3) 2/4*10050%
[I1][I2^I3] //confidence sup(I1^I2^I3)/sup(I1) 2/6*10033%
[I2][I1^I3] //confidence sup(I1^I2^I3)/sup(I2) 2/7*10028%
[I3][I1^I2] //confidence sup(I1^I2^I3)/sup(I3) 2/6*10033%因此如果最小置信度为50%则前3条规则可以被认为是强关联规则。
Apriori算法的局限性
Apriori算法可能很慢。主要的限制是需要时间来保持大量的候选集具有非常频繁的项集低的最小支持度或大的项集即它不是一个有效的方法用于大量的数据集。
例如如果有104个来自频繁1-项集则需要生成超过107个候选项到2-长度中然后这些候选项将被测试和累积。此外为了检测大小为100的频繁模式即v1v2… v100必须生成2^100个候选项集这导致候选项集生成的成本和时间浪费。因此它将从候选项集中检查许多集合并且它将多次重复地扫描数据库以寻找候选项集。当存储器容量有限且事务数量较多时Apriori将非常低且效率低下。 [来源https://arxiv.org/pdf/1403.3948.pdf]
