本文探讨了关联规则在互联网购物分析中的应用，如何通过分析购物行为推荐高置信度商品。同时，分析了Apriori算法的性能瓶颈，主要在于大量数据库扫描和JOIN运算。接着，介绍了FP_tree结构的优势，如保持模式完整性、减少不相关信息，以及在效率上的提升。然而，FP_tree在处理大规模数据时可能存在内存限制问题。最后，针对设定的支持度和信任度阈值，讨论了如何寻找频繁项集和强关联规则，指出在给定条件下未找到满足条件的强关联规则。
2、给出一个将关联规则应用于互联网上的例子。
购物分析，通过关联规则推荐与购买物品置信度较高的物品。
3、指出Apriori算法的性能瓶颈。
一是由于对海量数据库的多趟扫描，另一个是用JOIN运算产生潜在频繁项集。
4、指出采用FP_tree结构的优缺点。
优点：在完备性方面，它不会打破交易中的任何模式，而且包含了挖掘序列模式所需的全部信息；在紧密性方面，它剔除不想关信息，不包含非频繁项，按支持度降序排列，支持度高的项在FP_tree中共享的机会也高。性能研究表明FPtree中共享的机会也高。性能研究表明FP_growth比Apriori快一个数量级，这是由于FP_growth不生成候选集，不用候选测试，而且使用紧缩的数据结构，避免重复扫描数据库。FP_growth的基本操作是计数和建立FP_tree。
缺点：当数据库规模非常大时，在内存中构建FP_tree是不切合实际的。
5，数据库有4个事务，设最小支持度为60%，最小信任度为80%
最低0.47元/天 解锁文章
扫一扫
824
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
