Frequent Pattern

最新推荐文章于 2021-10-15 10:29:57 发布

iofu728

最新推荐文章于 2021-10-15 10:29:57 发布

阅读量997

点赞数

分类专栏： Data mining 文章标签： frequent pattern data mining 推荐算法模式匹配

本文链接：https://blog.csdn.net/iofu728/article/details/83417260

版权

本文介绍了数据挖掘中的频繁模式，它是推荐算法的基础。主要内容包括：Item Sets（Apriori 和 FP-tree）、Sequences（GSP 和 PrefixSpan）、Tree Patterns（范围编码、树结构表示及算法）以及Graph Pattern（AGM、FSG和gSpan）。文章通过实例解释了各种算法的工作原理和应用场景。

摘要由CSDN通过智能技术生成

博客引流

作为Data mining 的第一篇先来讲讲频繁模式

频繁模式是推荐算法的基础

主要解决的是从一堆数据中挖掘出频繁的组合模式

举个简单的例子

可能买了Mac的人，过几天会去买贴膜
可能买考研英语书的人，过几天会去买考研数学书

如何在大量数据中找到可能相关的几个问题，称之为Frequent Pattern

频繁程度通过支持度、置信度两个参数来衡量

A->B support: 即模式A, B出现频率
A->B configure: 即模式A发生情况下B发生的概率

Item Sets

Item Sets指的是假设不考虑数据之间的顺序

Apriori

我们可以得出

如果一个集合是频繁集，那么它的所有子集都是频繁集
如果一个集合不是频繁集，那么它的所有超集都不会是频繁集

根据这一点，Agrawal & Srikant 在94年提出了著名的Apriori算法

主要思想就是从大小1开始遍历可能频繁集k
当满足V所有集合子集都在之前计算过的频繁集k中，且出现次数满足频繁要求
则V为k+1频繁集

伪代码:

Ck: Candidate itemset of size k
Lk : Frequent itemset of size k

L1 = {frequent items};
for (k = 1; Lk !=; k++) do begin
     Ck+1 = candidates generated from Lk;
    for each transaction t in database do
       increment the count of all candidates in Ck+1
    that are contained in t
    Lk+1  = candidates in Ck+1 with min_support
    end
return k Lk;

举个简单的例子
图片.png | center | 556x200