Apriori算法

最新推荐文章于 2022-09-07 09:32:57 发布

风筝疯了

最新推荐文章于 2022-09-07 09:32:57 发布

阅读量793

点赞数

分类专栏：数据挖掘文章标签：数据挖掘

本文链接：https://blog.csdn.net/Kite_crazy/article/details/46506435

版权

Apriori算法是数据挖掘中的经典关联规则挖掘算法，主要用于发现数据集中的频繁项集和关联规则。通过逐层搜索和剪枝策略，找出满足最小支持度的频繁项集。尽管在大数据集上效率较低，但因其简单易实现，在数值型或标称型数据的关联分析中仍有广泛应用。以尿布与啤酒的经典案例作为示例，展示了Apriori如何挖掘有趣的购物行为模式。

摘要由CSDN通过智能技术生成

一个例子入门

尿布与啤酒

据报道，美国中西部的一家连锁店发现，男人们会在周四购买尿布和啤酒。在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。这样商店实际上可以将尿布和啤酒放在一块，并确保在周四全价销售而获利。

概述

Apriori算法是数据挖掘中一种挖掘关联规则的频繁项集算法。

两个概念

关联规则：
关联规则是形如X→Y的蕴涵式，其中， X和Y分别称为关联规则的先导(antecedent或left-hand-side, LHS)和后继(consequent或right-hand-side, RHS) 。其中，关联规则XY，存在支持度和信任度。
频繁项集 :
项的集合称为项集。包含k个项的项集称为k-项集。项集的出项频率是包含项集的事务数，简称为项集的频率，支持度计数或计数。注意，定义项集的支持度有时称为相对支持度，而出现的频率称为绝对支持度。如果项集I的相对支持度满足预定义的最小支持度阈值，则I是频繁项集。

两个参数