Apriori算法的R语言实现


1)数据准备

library(arules)

 a<-matrix(0,7,4,dimnames=list(c("basket1","basket2","basket3","basket4",
+ "basket5","basket6","basket7"),c("item1","item2","item3","item4")))
> a[1,]<-c(1,0,1,0)
> a[2,]<-c(0,0,1,1)
> a[3,]<-c(1,1,1,1)
> a[4,]<-c(1,1,0,0)
> a[5,]<-c(0,0,1,0)
> a[6,]<-c(1,0,1,1)
> a[7,]<-c(0,1,1,1)

 a.class<-as(a,"transactions")

apriori函数进行关联分析

rules<-apriori(a.class,parameter=list(supp=0.2,conf=0.6,target="rules"))

inspect(rules)

   lhs              rhs              support   confidence   lift     
1  {}            => {item3} 0.8571429 0.8571429  1.0000000
2  {item2}       => {item1} 0.2857143 0.6666667  1.1666667
3  {item2}       => {item4} 0.2857143 0.6666667  1.1666667
4  {item2}       => {item3} 0.2857143 0.6666667  0.7777778
5  {item1}       => {item3} 0.4285714 0.7500000  0.8750000
6  {item4}       => {item3} 0.5714286 1.0000000  1.1666667
7  {item3}       => {item4} 0.5714286 0.6666667  1.1666667
8  {item2,item4} => {item3} 0.2857143 1.0000000  1.1666667
9  {item2,item3} => {item4} 0.2857143 1.0000000  1.7500000
10 {item

  • 1
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Apriori算法是一种用于频繁项集挖掘的经典算法。它是由Rakesh Agrawal和Ramakrishnan Srikant在1994年提出的。该算法的目标是发现数据集中频繁出现的项集,即经常同时出现的项目组合。 在R语言中,可以使用“arules”包中的“apriori”函数来实现Apriori算法。使用“apriori”函数可以根据设定的支持度、置信度和目标规则来进行频繁项集挖掘。在引用中的示例中,使用了一个名为“a.class”的数据集,参数设置为支持度为0.2,置信度为0.6,目标规则为“rules”,并且规则的右侧为“item3”。 具体实施Apriori算法的步骤如下: 1. 加载“arules”包:首先,在R语言中加载“arules”包,以便使用其中的“apriori”函数。 2. 准备数据:将数据集准备为适合进行频繁项集挖掘的形式。可以使用向量、数据框或者其他适当的数据结构。 3. 调用“apriori”函数:使用“apriori”函数来实施Apriori算法。在函数中设置适当的参数,如支持度、置信度和目标规则。 4. 获取结果:根据需要,可以进一步处理和分析挖掘结果,例如提取频繁项集、关联规则等。 注意,引用和引用中提供了一些关于频繁项集和关联规则的计算结果,如支持度、置信度和提升度等。这些结果可以用来评估挖掘到的项集和规则的重要性和相关性。 总结起来,使用R语言中的“apriori”函数可以实施Apriori算法来进行频繁项集挖掘。该函数可根据设置的支持度、置信度和目标规则来挖掘数据集中的频繁项集。您可以根据具体需求和数据特点来设置参数,并根据挖掘结果进一步进行分析和应用。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值