基本概念
频繁模式挖掘搜索给定数据及中国反复出现的联系。
购物篮分析:一个例子
频繁项集、闭项集和关联规则
规则的支持度和置信度是规则兴趣度的两种度量。
一个例子:
- 支持度:支持度为2%,意味着分析的所有事务的2%显示计算机和杀毒软件被同时购买
- 置信度:置信度60%,意味着购买计算机的顾客60%也购买了杀毒软件。
在典型情况下,如果满足最小支持度阈值和最小置信度阈值,关联规则被认为是有趣的。
设
I
=
I
1
,
I
2
,
.
.
.
,
I
m
\mathcal{I} = {I_1, I_2,...,I_m}
I=I1,I2,...,Im是项的集合,设任务相关的数据
D
D
D是数据库事务的集合,其中每个事务
T
T
T是一个非空相机,使得
T
⊆
I
T \subseteq \mathcal{I}
T⊆I。每个事务都有一个标识符,称为
T
I
D
TID
TID。假设
A
、
B
A、B
A、B分别表示一个项集,则:
同时满足**最小支持度阈值(min_sup)和最小置信度阈值(min_conf)**的规则称为强规则,为方便计算,用0% - 100%之间的值,而不是0.0-1.0之间的值表示支持度和置信度。
置信度的另外的计算方法就是用项集的频度、支持度计数。
一般而言,关联规则的挖掘是一个两步的过程:
- 找出所有的频繁项集: 这些项集的每一个频繁出现的次数至少与预定义的最小支持计数min_sup一样。
- 由频繁项集产生强关联规则:这些规则必须满足最小支持度和最小置信度。
频繁项集挖掘方法
Apriori算法是一种发现频繁项集的基本算法。
Apriori算法:通过限制候选产生发现频繁项集
先验性质: 频繁项集的所有非空子集也一定是频繁的。
如何在算法中使用先验性质?
- 连接步
- 剪枝步
下面通过一个例子说明:
由频繁项集产生关联规则
由上面计算置信度的公式:
下来是一个例子:
如果最小置信度的阈值为70%,则只有第2、第3和最后一个规则可以输出,因为只有这些是强规则。
提高Apriori算法的效率
- 基于散列的计数: 一种基于散列的计数可以用于研所候选k项集的集合。
以考察k=2项集为例,对应得桶计数低于支持度阈值的2项集不可能是频繁的,因此直接从候选集中删除:
其中 h ( x , y ) = ( ( x 的 序 ) ∗ 10 + ( y 的 序 ) ) m o d 7 h(x,y) = ((x的序) * 10 + (y的序)) mod 7 h(x,y)=((x的序)∗10+(y的序))mod7中的 x , y x,y x,y的序表示的是项集的下标。
- 事务压缩:
- 划分(为找候选项集划分数据)
挖掘频繁项集的模式增长方法
Apriori算法的候选产生-检查方法显著压缩了候选项集的规模,并产生了很好的性能,但是它可能受两种非平凡开销的影响。
- 它可能仍然需要产生大量候选项集。例如,如果有 1 0 4 10^4 104个频繁1项集,则Apriori算法需要产生多达 1 0 7 10^7 107个候选2项集
- 它可能休要重复扫描整个数据库,通过模式匹配来检查一个很大的候选集合,检查数据库中每个事务来确定候选项集支持度的开销很大。
一种不产生候选项集的方法叫做频繁模式增长(FP-growth),算法思想如下:
例子如下:
FP树的挖掘过程如下:
使用垂直数据格式挖掘频繁项集
Apriori算法和FP-growth算法都从TID项集格式的事务集中挖掘频繁模式(即 { T I D : i t e m s e t } \{TID: itemset\} {TID:itemset}),这种数据格式称为水平数据格式。
其中TID是事务表示符,而itemset是事务TID中购买的商品
也可以反过来使用
{
i
t
e
m
:
T
I
D
s
e
t
}
\{item :TID_set\}
{item:TIDset}格式表示,这种数据格式称为垂直数据格式。
这种方法的优点:
- 项集的支持度计算简单地等于项集的TID集的长度
- 不需要扫描数据库来确定(k+1)项集的支持度,因为每个k项集的TID集携带了计算支持度的完整信息。