机器学习笔记（11）——关联分析之Apriori算法原理和Python实现

说到关联分析，首先想到的就是“啤酒和尿布”的案例，那么如何发现“啤酒”和“尿布”之间的关联关系呢，就是寻找频繁项集。先来学习两个概念。

1、支持度和可信度

支持度（support）——数据集中包含该项集的记录所占的比例。

可信度（confidence）——针对一条关联规则定义，如{尿布}--->{啤酒}的可信度为“支持度（{尿布，啤酒}/支持度（{尿布}））”。

例如：支持度（{尿布，啤酒} = 3/5，支持度（{尿布}）=4/5，那么可信度（{尿布}--->{啤酒}）=0.75，说明购买“尿布”的订单中有75%的购买了“啤酒”。

支持度和可信度是量化关系分析是否成功的方法。假设想找到支持度大于0.8的所有项集，一个办法就是生成所有可能组合的清单，然后对每一种组合统计出其频繁程度，但如果物品多时，速度会非常慢。Apriori原理则可以减少关联规则学习时的计算量。

2、Apriori原理

假设有4种商品，这些商品的组合可能只有1种，也可能是2种、3种或4种，那么所有可能的组合数为

对于有N种物品的数据集，共有种项集组合。即使只出售100种商品，也会有种可能的项集组合，计算量非常大，更何况100种商品并不算多。

Apriori原理是指如果某个项集是频繁的，那么它的所有子集也是频繁的。反过来看，如果一个项集是非频繁的，那么它的所有超级也是非频繁的。

例如，项集{2,3}是非频繁的，那么{0,2,3}，{1,2,3}，{0,1,2,3}也是非频繁的，就不用计算他们的支持度了。这样就可以降低计算量。

 

关联分析的包括两项：发现频繁项集和发现关联关系，首先要找到频繁项集，然后从中获得关联关系。

3、使用Apriori算法发现频繁集

Apriori算法有两个输入参数，分别是最小支持度和数据集。</