本文介绍了数据挖掘中的频繁模式和关联规则。频繁模式是指在数据集中出现频率高于预设阈值的模式，常见于销售分析、网页日志分析等领域。关联规则则描述了当某一事件发生时，另一事件发生的概率。文章详细讲解了Apriori算法、FP-Growth算法以及ECLAT算法，并探讨了如何通过这些算法发现数据中的潜在关联。
1. 频繁模式概念
在数据集中经常出现（出现的频率不小于minsup，minsup是人为设定的，如为50%）的模式（可以是一个子序列、子结构、子集等），可以应用于销售分析、网页日志分析、DNA序列分析。
2. 关联规则概念
当X出现时，Y也会出现。X->Y 通常有两个数据，一个是XY一起出现的频率，另一个是当X出现时Y出现的条件概率。
3. 频繁模式算法
（1）Apriori算法：频繁模式的子集也是频繁模式。
不足：需要多次扫描数据库、生成的候选项太多、需要多次统计候选项的出现频率
改进先验算法：频繁模式在子数据集也频繁出现。
a. Parition: 先扫描数据集的分区得到局部频繁模式，再整合全局频繁模式，只要扫描数据库两次。
b. Sampling: 先从数据集中进行采样得到频繁模式，然后再检验得到的频繁模式。
c. Dynamic:
5956
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
