机器学习（十）：Apriori算法

更多内容关注公众号：数学的旋律

tb店铺搜：FUN STORE玩物社，专业买手挑选送礼好物

引言

    Apriori算法是第一个关联规则挖掘算法。它基于Apriori原理，用支持度做度量，迭代产生频繁项集；对频繁项集，使用置信度做度量，最后发现关联规则。
    本文用到的部分术语已在简介中介绍（具体看‘基本概念-关联分析’），这里不再重述。

一、Apriori原理

    如果一个项集是频繁的，则它的所有子集一定也是频繁的；相反，如果项集是非频繁的，则它的所有超集也一定是非频繁的。

二、发现频繁项集

    假定事务总数为N，支持度阈值是minsup，发现频繁项集的过程如下（理论上，存在许多产生候选项集的方法，本例使用支持度阈值来产生）：
    ①初始时每个项都被看作候选1-项集。计数对它们的支持度之后，将支持度少于阈值的候选项集丢弃，生成频繁1-项集。
    ②在第二次迭代，依据Apriori原理（即所有非频繁的1-项集的超集都是非频繁的），仅使用频繁1-项集来产生候选2-项集。此时生成的候选2-项集有多个，将支持度少于阈值的候选项集丢弃，生成频繁2-项集。
    ③经过多次迭代，每次用上一次生成的频繁n-项集产生新的候选(n+1)-项集，直至没有发现频繁(n+1)-项集，则得到的频繁n-项集就是最终结果。
例1
下图是一个购物篮事务的例子。

TID	项集
1	{面包，牛奶}
2	{面包，尿布，啤酒，鸡蛋}
3	{牛奶，尿布，啤酒，可乐}
4	{面包，牛奶，尿布，啤酒}
5	{面包，牛奶，尿布，可乐}
假定支持度阈值是60%，相当于支持度计数为5*60%=3。
①初始时每个项都被看作候选1-项集，即候选1-项集={面包，牛奶，尿布，啤酒，鸡蛋，可乐}，其中{可乐}和{鸡蛋}出现的事务少于3，即支持度少于支持度阈值，丢弃得频繁1-项集={面包，牛奶，尿布，啤酒}。
②由于只有4个频繁1项集，因此算法产生的候选2-项集的数目为$C_4^2=6$。计算它们的支持度后，发现这6个候选项集中的2个{啤酒，面包}和{啤酒，牛奶}是非频繁的，丢弃得频繁2-项集={面包，牛奶}，{面包，尿布}，{牛奶，尿布}，{啤酒，尿布}。
③用频繁2-项集生成候选3-项集（将含有1个相同项的集合合并），得到候选3-项集＝{面包，牛奶，尿布}，{面包，啤酒，尿布}，{牛奶，啤酒，尿布}；丢弃支持度少于支持度阈值的项，最后得频繁3-项集为空集，则可得频繁2-项集={面包，牛奶}，{面包，尿布}，{牛奶，尿布}，{啤酒，尿布}为最终结果。

三、发现关联规则

    发现关联规则是指找出支持度大于等于minsup并且置信度大于等于minconf的所有规则，其中minsup和minconf是对应的支持度阈值和置信度阈值。
    设Y是频繁项集，关联规则可以这样提取：将项集Y划分成两个非空的子集X和Y-X，使得X->Y-X满足置信度阈值（注意：这里的规则必然已经满足支持度阈值，因为它们是由频繁项集产生的）。
例2
设Y={1,2,3}是频繁项集，可以由Y产生6个候选关联规则：{1,2}->{3}，{1,3}->{2}，{2,3}->{1}，{1}->{1,2}，{2}->{1,3}，{3}->{1,2}。6个候选关联规则中满足置信度阈值的关联规则，就是我们最终需要的结果。

四、代码实现（python）

以下代码来自Peter Harrington《Machine Learing in Action》。
代码如下（保存为apriori.py）

# -- coding: utf-8 --<