Panpan Wei的博客

FP-tree两个主要步骤： 1. 利用事务数据库中的数据构造FP-tree； 2. 从FP-tree中挖掘频繁模式。 具体过程： 1.扫描数据库一次，得到频繁1-项集。 2.把项按支持度递减排序。 3.再一次扫描数据库，建立FP-tree。 为了方便大家理解，下面附上一个简单的例子。 给出一个具体的事务数据库： 利用出现的次数计算频繁1-项目集。 重新调整事务数据库：（在这里是对于每一个Items进行调整，把支持度高的放在前面） 创建根结点和频繁项目表： 加入第一个事务（I2

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： 在

关联规则挖掘的目标是发现数据项集之间的关联关系或相关关系，是数据挖掘中的一个重要的课题。 先简单介绍一下关联规则挖掘中涉及的几个基本概念： 定义1：项与项集 数据库中不可分割的最小单位信息，称为项目，用符号i表示。项的集合称为项集。设集合I={i1, i2, ..., ik}是项集，I中项目的个数为k，则集合I称为k项集。 定义2：事务 设I={i1, i2, ..., ik}是由数据库...