关联规则挖掘（二）

最新推荐文章于 2024-07-11 21:41:59 发布

Francek Chen

最新推荐文章于 2024-07-11 21:41:59 发布

阅读量1.1k

点赞数 28

分类专栏：数据仓库与数据挖掘文章标签：数据库数据仓库数据挖掘关联规则挖掘 FP-增长算法

本文链接：https://blog.csdn.net/Morse_Chen/article/details/137872089

版权

数据仓库与数据挖掘专栏收录该内容

28 篇文章 8 订阅

订阅专栏

三、FP-增长算法

（一）算法的背景

Apriori算法存在以下两方面的不足：

（1）产生大量的候选项集

例如，当事务数据库有104个频繁1-项集时， Apriori算法就需要产生多达107个候选2-项集，即对存储空间要求会影响算法的执行效率。

（2）多次重复地扫描事务数据库

对每个 $k=1,2,\cdots,m$ ，为了计算候选k-项集的支持度，都需要扫描一次事务数据库，才能确定候选k-项集的支持度，其计算时间开销很大。

用 FP-增长 (Frequent-Pattern Growth，FP-Growth) 算法来发现频繁项集。算法只需扫描事务数据库两次，其计算过程主要由以下两步构成。

（1）构造FP-树

将事务数据库压缩到一棵频繁模式树 (Frequent-Pattern Tree，简记为FP-树) 之中，并让该树保留每个项的支持数和关联信息。

（2）生成频繁项集

由FP-树逐步生成关于项集的条件树，并根据条件树生成频繁项集。

（二）构造FP-树

FP-树是事务数据库的一种压缩表示方法。它通过逐个读入事务，并把每个事务映射为FP-树中的一条路径，且路径中的每个结点对应该事务中的一个项。不同的事务如果有若干个相同的项，则它们在FP-树中用重叠的路径表示，用结点旁的数字标明该项的重复次数，作为项的支持数。因此，路径相互重叠越多，使用FP-树结构表示事务数据库的压缩效果就越好。如果FP-树足够小且能够在内存中存储，则可以从这个内存的树结构中直接提取频繁项集，而不必再重复地扫描存放在硬盘上的事务数据库。

某超市经营 $a, b, c, d, e$ 等5种商品，即超市的项集 $I=\{a,b,c,d,e\}$ ，而表8-8是其交易数据库 $T$ 。

在这里插入图片描述
下面借用这个事务数据库来介绍FP-树的构造方法，这里假设最小支持数 $M in S = 2$ 。

FP-树的构造主要由以下两步构成。

（1）生成事务数据库的头表 $H$ 。

第一次扫描事务数据库 $T$ ，确定每个项的支持数，将频繁项按照支持数递减排序，并删除非频繁项，得到 $T$ 的频繁-1项集 $H=\{i_v:SptN_v | i_v\in I, SptN_v为项目i_v的支持数\}$ 。现有文献都将 $H$ 称为事务数据库的头表 (Head table)。

对于表8-8的事务数据库 $T$ ，其头表 $H=\{(a:8),(b:7),(c:6),(d:5),(e:3)\}$ ，即 $T$ 中的每个项都是频繁的。

（2）生成事务数据库的FP-树

第二次扫描数据集 $T$ ，读出每个事务并构建根结点为null的FP-树。

开始时FP-树仅有一个结点null，然后依次读入 $T$ 的第 $r$ 个事务 $t_r (r=1,2,\cdots,|T|)$ 。设 $t_r$ 已删除了非频繁项，且已按照头表 $H$ 递减排序为 $\{a_1,a_2,\cdots,a_{i_{r}}\}$ ，则生成一条路径 $t_r=null-a_1-a_2-,\cdots,-a_{i_{r}}$ ，并按以下方式之一，将其添加到FP-树中，直到所有事务处理完备。

① 如果FP-树与路径 $t_r$ 没有共同的前缀路径 (prefix path)，即它们没有从null开始，其余结点完全相同的一段子路径，则将 $t_r$ 直接添加到FP-树的null结点上，形成一条新路径，且让 $t_r$ 中的每个项对应一个结点，并用 $a_v:1$ 表示。

例 8-6 假设FP-树中已有两条路径 null-a-b 和 null-c-d-e (图8-4(1))。设有事务 $t=\{b,c,d\}$ ，其对应的路径为 $t = n u ll - b - c - d$ (事务和对应的路径采用同一个符号 $t$ )。因为FP-树与 $t$ 没有共同的前缀路径，即从null开始没有相同的结点，因此，将t直接添加到FP-树中(图8-4(2))。

在这里插入图片描述
② 如果FP-树中存在从根结点开始与 $t_r$ 完全相同的路径，即FP-树中存在从null到 $a_1$ 直到的路径，则将FP-树中该路径上从 $a_1$ 到的每个结点支持数增加1即可。

例 8-7 假设FP-树中已有两条路径 null-a-b-c 和 null-b-c-d (图8-5(1))。设有事务 $t=\{a,b\}$ ，其路径为 $t = n u ll - a - b$ ，则因为FP-树从根节点 null 开始存在与 null-a-b 完全相同的路径，因此，将结点 $a, b$ 的支持数分别增加1即可(图8-5(2))。

在这里插入图片描述
③ 如果FP-树与路径 $t_r$ 有相同的前缀路径，即FP-树已有从null到 $a_1$ 直到 $a_j$ 的路径，则将FP-树的结点 $a_1$ 到 $a_j$ 的支持数增加1，并将 $t_r$ 从 $a_{j+1}$ 开始的子路径放在 $a_j$ 之后生成新的路径。

例 8-8 假设FP-树中已有两条路径 null-a-b 和 null-b-c-d (图8-6(1))。设有事务 $t=\{b,c,e\}$ ，其对应的路径为 $t = n u ll - b - c - e$ ，则因为FP-树与 $t$ 存在共同的前缀路径 null-b-c，因此，将结点 $b, c$ 的支持数直接增加1，并在结点 $c$ 后面增加结点 $e$ (图8-6(2))。

在这里插入图片描述
例 8-9 对表8-8所示的事务数据库 $T$ ，假设最小支持数 $M in S = 2$ ，试构造它的FP-树。

在这里插入图片描述

（三）生成频繁项集

由于每一个事务都被映射为FP-树中的一条路径，且结点代表项和项的支持数，因此通过直接考察包含特定结点 (例如e) 的路径，就可以发现以特定结点 (比如e) 结尾的频繁项集。

由FP-树生成频繁项集的算法以自底向上的方式搜索FP-树，并产生指定项集的条件树，再利用条件树生成频繁项集。

对于图8-8所示的FP-树，算法从头表 $H=\{(a:8),(b:7),(c:6),(d:5),(e:3)\}$ 的最后，即支持数最小的项开始，依次选择一个项并构造该项的条件FP-树 (condition FP-tree)，即首先生成以 $e$ 结尾的前缀路径，更新其结点的支持数后获得 $e$ 的条件FP-树，并由此生成频繁项集 ${e\}$ 。

在这里插入图片描述
在 ${e\}$ 频繁的条件下，需要进一步发现以 $d e 、 ce 、 b e$ 和 $a e$ 结尾的频繁项集等子问题，直至获得以 $e$ 结尾的所有频繁项集，即包括 $e$ 的所有频繁项集。

观察头表 $H$ 可知，包括 $e$ 的项集共有 ${e\}$ , ${d,e\}$ , ${c,e\}$ , ${b,e\}$ , ${a,e\}$ , ${c,d,e\}$ , ${b,d,e\}$ , ${b,c,e\}$ , ${a,d,e\}$ , ${a,c,e\}$ , ${a,b,e\}$ , ${a,c,d,e\}$ 等。在 $e$ 的条件FP-树产生过程中，算法会不断地删除非频繁项集保留频繁项集，而不是枚举地检验以上每个项集是否为频繁的，因而提高了搜索效率。从 $d e$ 的条件FP-树可得以 $d e$ 结尾的频繁项集 ${a,d,e\}, \{d,e\}$ 。

当包括 $e$ 的所有频繁项集生成以后，接下来再按照头表 $H$ ，并依次寻找包括 $d, c, b$ 或 $a$ 的所有频繁项集，即依次构造以 $d, c, b$ 或 $a$ 结尾的前缀路径和条件FP-树，并获得以它们结尾的所有频繁项集。

在这里插入图片描述
根据与前面类似的计算过程，最终可得事务数据库 $T$ 的所有频繁项集 (表8-9)。

在这里插入图片描述

四、关联规则的评价

1、主观标准

以决策者的主观知识或领域专家的先验知识等建立的评价标准，称为主观兴趣度。关联规则 {黄油} $\Rightarrow$ {面包} 有很高的支持度和置信度，但是它表示的联系连超市普通员工都觉得显而易见，因此不是有趣的。关联规则 {尿布} $\Rightarrow$ {啤酒} 确实是有趣的，因为这种联系十分出人意料，并且可能为零售商提供新的交叉销售机会。

2、客观标准

以统计理论为依据建立的客观评价标准，称为客观兴趣度。客观兴趣度以数据本身推导出的统计量来确定规则是否是有趣的。支持度，置信度，提升度等都是客观兴趣度，也就是客观标准。

（一）支持度和置信度的不足

为了说明支持度和置信度在关联规则检测中存在的不足，可用基于2个项集 $A$ 和 $B$ （也称二元变量 $A$ ， $B$ ）的相依表来计算说明 (表8-10)。

在这里插入图片描述
表8-10中的记号 $\overline A$ 表示项集 $A$ 没有在事务中出现， $n_{ij}$ 为支持数，即 $n_{11}$ 表示同时包含项集 $A$ 和 $B$ 的事务个数； $n_{01}$ 表示包含 $B$ 但不包含 $A$ 的事务个数； $n_{10}$ 表示包含 $A$ 但不包含 $B$ 的事务个数； $n_{00}$ 表示既不包含 $A$ 也不包含 $B$ 的事务个数； $n_{1+}$ 表示 $A$ 的支持数， $n_{+1}$ 表示 $B$ 的支持数，而 $N$ 为事务数据库的事务总数。

例 8-10 一个误导的“强”关联规则。
若 $M in S = 0.3$ ， $M in C = 0.60$ ，则 $Support(A\Rightarrow B)=4000/10000=0.4>MinS$ $Confidence(A\Rightarrow B)=4000/6000=0.66>MinS$ 得出 $A\Rightarrow B$ 是一个强关联规则的结论。

在这里插入图片描述
实际上， $A\Rightarrow B$ 这个强关联规则却是一个虚假的规则，如果商家使用这个规则将是一个错误，因为购买录像的概率是75%比66%高。

此外，计算机游戏和录像机是负相关的，因为买其中一种商品实际上降低了买另一种商品的可能性。如果不能完全理解这种现象，容易根据规则 $A\Rightarrow B$ 做出不明智的商业决策。

（二）相关性分析

提升度 (Lift) 是一种简单的相关性度量。对于项集 $A$ 和 $B$ ，如果概 $P(A\cup B)=P(A)P(B)$ ，则 $A$ 和 $B$ 是相互独立的，否则它们就存在某种依赖关系。
$Lift(A,B)=P(A\cup B)/(P(A)\times P(B))= (P(A\cup B)/P(A))/P(B)\tag{8-6}$ $Lift(A,B)=Confidence(A\Rightarrow B)/Support(B)\tag{8-7}$ 如果 $L i f t (A, B)$ 的值大于1，表示二者存在正相关，而小于1表示二者存在负相关。若其值等于1，则表示二者没有任何相关性。

对于二元变量，提升度等价于被称为兴趣因子 (Interest factor) 的客观度量，其定义如下 $I(A,B)=Support(A\cup B)/(Support(A)\times Support(B))$ $=N\times n_{11}/(n_{1+}\times n_{+1})\tag{8-8}$

例 8-11 对于表8-11所示的相依表，试计算其提升度或兴趣因子。

解： $P(A\cup B)=4000/100000=0.4$ ； $P (A) = 6000/1000 = 0.6$ ； $P (B) = 7500/10000 = 0.75$

$P(A\cup B)/(P(A)\times P(B))=0.4/(0.6\times0.75)=0.4/0.45=0.89$

关联规则 $A\Rightarrow B$ ，也就是 {计算机游戏} $\Rightarrow$ {录像机} 的提升度 Lift(A,B) 小于1，即前件 $A$ 与后件 $B$ 存在负相关关系，若推广 “计算机游戏” 不但不会提升 “录像机” 的购买人数，反而会减少。

项集之间的相关性也可以用相关系数来度量。对于二元变量 $A$ ， $B$ ，相关系数 $r$ 定义为 $r(A,B)=\frac{n_{11}\times n_{00}-n_{01}\times n_{10}}{\sqrt{n_{+1}\times n_{1+}\times n_{0+}\times n_{+0}}}\tag{8-9}$ 若相关系数 $r$ 等于0，表示二者不相关，大于0表示正相关，小于0表示负相关。