关联规则挖掘算法-Apriori算法

最新推荐文章于 2024-05-18 15:53:33 发布
最新推荐文章于 2024-05-18 15:53:33 发布
阅读量1.1k 收藏 2
点赞数 1
分类专栏： 数据挖掘 机器学习 文章标签： 数据挖掘
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jodie123456/article/details/106276337
版权
Apriori算法是数据挖掘中的经典算法，它利用先验知识，通过迭代找到事务数据库中的频繁项集，并根据这些频繁项集生成满足最小信任度的关联规则。算法主要分为发现频繁项集和构造关联规则两步，其中频繁项集的挖掘占据了大部分计算量。Apriori算法有两个关键性质：性质1是频繁项集的所有非空子集也是频繁的，性质2是如果一个项集不频繁，那么它的超集也一定不频繁。
摘要由CSDN通过智能技术生成

Apriori算法：

Apriori算法命名源于算法使用了频繁项集性质的先验（Prior）知识。
Apriori算法将发现关联规则的过程分为两个步骤：通过迭代，检索出事务数据库中的所有频繁项集，即支持度不低于用户设定的阈值的项集；利用频繁项集构造出满足用户最小信任度的规则。
挖掘或识别出所有频繁项集是该算法的核心，占整个计算量的大部分。

Apriori的性质：

性质1：频繁项集的所有非空子集必为频繁项集。
性质2：非频繁项集的超集一定是非频繁的。

算法流程：

下面介绍一下此算法具体实例：

最低0.47元/天 解锁文章
Panpan Wei
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
关联挖掘算法详解
11-20
关联挖掘算法主要包括Apriori和FP-Growth，两者对于不同的场景有着显著地差异性...
5分钟完全读懂关联规则挖掘算法
Python中文社区
09-13 498
关联规则简介关联规则挖掘可以让我们从数据集中发现项与项之间的关系，它在我们的生活中有很多应用场景，“购物篮分析”就是一个常见的场景，这个场景可以从消费者交易记录中发掘商品与商品之间的关联...
【机器学习】Apriori算法详解（关联规则挖掘）
最新发布
酒酿小圆子呀～
05-18 731
Apriori 算法是最为经典的关联规则挖掘算法之一。关于关联规则有个很常见的例子：啤酒与尿布。沃尔玛在分析销售记录时，发现啤酒和尿布经常一起被购买，于是他们调整了货架，把两者放在一起，结果真的提升了啤酒的销量。关联规则分析也称为购物篮分析，最早是为了发现超市销售数据库中不同的商品之间的关联关系。关联规则是反映一个事物与其他事物之间的关联性，若多个事物之间存在着某种关联关系，那么其中的一个事物就能通过其他事物预测到。这里要注意，关联规则不是因果关系，有可能有因果关系，有可能没有。定义 1。
关联挖掘算法及其应用（1）
weixin_43372726的博客
06-02 1644
关于关联规则的算法和应用总结，持续更新中
关联规则挖掘算法 （学习笔记）
weixin_44298133的博客
05-19 691
关联规则挖掘是从数据集中发现项与项（item 与 item）之间的关系 关联规则中的几个重要的概念 1.支持度：某个商品组合出现的次数与总次数之间的比例。 2.置信度：指购买了商品A，会有多大的概率购买B。 3.提升度：指商品A的出现，对商品B的出现概率提升的程度 提升度 (A→B)= 置信度 (A→B)/ 支持度 (B) 用来衡量 A 出现的情况下，是否会对 B 出现的概率有所提升。 所以提升度有三种可能： 提升度 (A→B)>1：代表有提升； 提升度 (A→B)=1：代表有没有提升，也没有下降；
数据挖掘十大算法--Apriori算法
小硒---代码无疆
04-30 2万+
一、Apriori 算法概述 Apriori 算法是一种最有影响力的挖掘布尔关联规则的频繁项集的 算法，它是由Rakesh Agrawal 和RamakrishnanSkrikant 提出的。它使用一种称作逐层搜索的迭代方法，k- 项集用于探索（k+1）- 项集。首先，找出频繁 1- 项集的集合。该集合记作L1。L1 用于找频繁2- 项集的集合 L2，而L2 用于找L2，如此下去，直到不能找到
关联规则挖掘算法apriori算法的实现
10-26
Apriori算法是关联规则挖掘中最经典、最广泛使用的算法之一，由Rakesh Agrawal和Ramakrishnan Srikant在1994年提出。这个算法主要目标是从交易数据库中找出频繁项集和强关联规则。 首先，我们来理解“关联规则”。...
关联规则挖掘算法Apriori算法
02-15
在这个文本中，我们可以通过使用关联规则挖掘算法Apriori算法的matlab实现，来自动生成关联规则，并计算支持度和置信度。Apriori算法是一种常用的关联规则挖掘算法，它可以有效地发现数据集中的频繁项集，并从中生成...
人工智能-机器学习-关联规则分析-Apriori算法实例-挖掘电影导演的关联规则
06-29
在这个实例中，我们将重点关注关联规则分析中的Apriori算法，以及如何用它来挖掘电影导演之间的关联规则。 关联规则分析是数据挖掘的一种技术，主要用来发现数据集中项集之间的频繁模式，如购物篮分析中商品之间的...
Apriori算法，关联规则挖掘算法，人工智能
06-05
Apriori算法是一种常见的关联规则挖掘算法，用于发现数据集中的频繁项集。在市场营销和产品推荐等领域中，它被广泛应用，以帮助企业根据客户购买模式制定更加精准的营销策略。 Apriori算法基于以下两个假设： 如果...
关联规则数据挖掘Apriori算法的JAVA实现
11-01
Apriori算法是关联规则挖掘中最经典的算法之一，由R. Agrawal和I. Srikant于1994年提出。本Java实现的Apriori算法提供了一个图形用户界面，方便用户对布尔类型的数据库进行操作，从而发现隐藏的关联规则。 Apriori...
数据挖掘算法-关联算法-Apriori
qq_39529775的博客
09-21 2485
一、Apriori算法简介： 关联规则挖掘是数据挖掘领域的热点，关联规则反映一个对象与其他对象之间的相互依赖关系，如果多个对象之间存在-定的关联关系，那么一个对象可以通过其他对象进行预测。 关联规则挖掘一般可分成两个步骤: ①找出所有支持度大于等于最小支持度阈值的频繁项集。 ②由频繁模式生成满足可信度阈值的关联规则。 二、基本概念： 1、事物和项： 数据挖掘用到的基本数据集记为D，它是由事务构成的，--般多存储于事务数据库中，表示为D={t1,t2，..，tm...
关联规则挖掘经典算法
abe的博客
12-15 952
http://blog.csdn.net/lizhengnanhua/article/details/9061755
Apriori算法
涛涛之海
05-01 2468
Apriori算法介绍 Apriori算法步骤 由频繁项集产生关联规则 Apriori算法介绍 Apriori算法是挖掘布尔关联规则频繁项集的算法，它采用逐层搜索策略（层次搜索策略）产生所有的频繁项集。 Apriori算法利用的是Apriori性质：频繁项集的所有非空子集也必须是频繁的。 模式不可能比A更频繁的出现 Apriori算法是反单调...
数据挖掘——关联规则分析（二）Apriori算法
woxingliu2018的博客
05-23 2046
Apriori算法 1、Apriori算法最早是Agrawal和Srikant在1996年提出的，后经不断完善，已成为数据挖掘中简单关联分析的核心算法。 2、为克服简单搜索可能产生大量无效规则，计算效率低下，且在大样本下甚至可能无法实现的问题，Apriori算法包括如下两大部分： 第一，搜索频繁项集。 第二，依据频繁项集产生关联规则。 搜索频繁项集 1、频繁项集：支持度不低于用户设定最小支持度阈值的项集。 2、频繁项集的性质： 性质1：频繁项集的子集必为频繁项集。 性质2：非频...
数据挖掘——Apriori算法
u010443572的专栏
10-10 657
简介 其名字是因为算法基于先验知识(prior knowledge)。根据k-1次找到的频繁项来生成本次的频繁项。Apriori是关联分析中核心的算法。
数据挖掘十大算法之Apriori详解
热门推荐
白马负金羁
12-06 10万+
在2006年12月召开的 IEEE 数据挖掘国际会议上，与会的各位专家选出了当时的十大数据挖掘算法（ top 10 data mining algorithms ），在本系列已经发布的文章中我们已经讨论了其中的七个。本文主要介绍Apriori算法，它是用于关联规则挖掘的经典算法。关联规则挖掘是数据挖掘中非常重要的研究话题，在商业数据分析中占据重要十分的地位，经典的“啤酒”与“尿片”的故事即来源于此
connect by prior 递归算法
power_girl的专栏
04-18 515
oracle中 connect by prior 递归算法 Oracle中start with...connect by prior子句用法 connect by 是结构化查询中用到的，其基本语法是： select ... from tablename start with 条件1 connect by 条件2 where 条件3; 例： select * from table start wit
oracle中 connect by prior 递归算法
u012094108的专栏
06-12 211
oracle中 connect by prior 递归算法: 1.树结构        树结构的数据存放在表中，数据之间的层次关系即父子关系，通过表中的列与列间的关系来描述;       如EMP表中EMPNO表示该雇员的编号，MGR表示领导该雇员的人的编号，即子节点的MGR值等于父节点的EMPNO值。在表的每一行中都有一个表示父节点的MGR（除根节点外），通过每个节点的父节点，就可以确定整
实现关联规则挖掘算法Apriori算法
06-12
好的，让我们来一步一步实现Apriori算法。 首先，我们需要读取数据集并将其转换为合适的数据结构。假设我们有一个包含交易数据的文件，每行表示一次交易，其中商品以逗号分隔。我们可以使用Python中的csv模块读取文件并将其转换为列表形式。代码如下： ```python import csv transactions = [] with open('data.csv', 'r') as f: reader = csv.reader(f) for row in reader: transactions.append(row) ``` 接下来，我们需要统计每个项的出现次数，并删除出现次数低于某个阈值的项。这里我们可以使用Python中的Counter和set数据结构。代码如下： ```python from collections import Counter # 统计每个项的出现次数 item_counts = Counter() for transaction in transactions: for item in transaction: item_counts[item] += 1 # 删除出现次数低于阈值的项 min_support = 0.5 items = set(item for item, count in item_counts.items() if count / len(transactions) >= min_support) ``` 然后，我们需要生成候选项集。假设我们要生成长度为2的候选项集，我们可以使用Python中的itertools模块的combinations函数。代码如下： ```python import itertools # 生成长度为2的候选项集 candidate_itemsets = set(itertools.combinations(items, 2)) ``` 接下来，我们需要扫描数据集，统计候选项集的出现次数，并删除出现次数低于某个阈值的候选项集。代码如下： ```python # 统计候选项集的出现次数 itemset_counts = Counter() for transaction in transactions: for itemset in candidate_itemsets: if set(itemset).issubset(set(transaction)): itemset_counts[itemset] += 1 # 删除出现次数低于阈值的候选项集 min_support = 0.5 frequent_itemsets = set(itemset for itemset, count in itemset_counts.items() if count / len(transactions) >= min_support) ``` 现在我们得到了长度为2的频繁项集。我们可以使用相同的方法生成更高维度的候选项集，并重复以上步骤，直到不再有频繁项集产生为止。代码如下： ```python # 生成更高维度的候选项集 k = 3 while True: # 生成长度为k的候选项集 candidate_itemsets = set( itertools.combinations(frequent_itemsets, k)) # 统计候选项集的出现次数 itemset_counts = Counter() for transaction in transactions: for itemset in candidate_itemsets: if set(itemset).issubset(set(transaction)): itemset_counts[itemset] += 1 # 删除出现次数低于阈值的候选项集 min_support = 0.5 frequent_itemsets = set(itemset for itemset, count in itemset_counts.items() if count / len(transactions) >= min_support) # 如果不再有频繁项集产生，则退出循环 if not frequent_itemsets: break k += 1 ``` 最后，我们可以使用频繁项集生成关联规则，并计算它们的置信度和支持度。代码如下： ```python # 生成关联规则 rules = [] for itemset in frequent_itemsets: for i in range(1, len(itemset)): left = itemset[:i] right = itemset[i:] support = itemset_counts[itemset] / len(transactions) confidence = itemset_counts[itemset] / item_counts[left] rules.append((left, right, support, confidence)) # 打印关联规则 for left, right, support, confidence in rules: print(f'{left} => {right} (support: {support}, confidence: {confidence})') ``` 这就是Apriori算法的实现过程。当然，实际应用中还需要考虑很多细节，例如如何对候选项集进行剪枝、如何高效地计算频繁项集等等。如果您对此感兴趣，可以进一步学习相关知识。

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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