Apriori 算法

基本概念

1.一些定义

• 定义I = {i1，i2，i3…….im} 为全局项的集合
• I 中部分项或全部项构成的集合称为项集。
• 事务ti对应 I 的一个子集，ti是事务的唯一标识，i 表示事务的序号。事务数据库D是事务的一个集合。
• 给定一个全局项集和事务数据库D , 一个项集 I 1在D上的支持度是包含 I1的事务在D中所占的百分比。
• 对于 I 的非空子集 I1 ，若支持度大于等于最小支持度min_sup , 则称 I1 为频繁项集。
• I1 项集中项的个数为K，称为k-项集 , 若 I1 是频繁项集，称为频繁k-项集。

2. 关联规则

       关联规则研究的是事务集合内部的项集与项集之间的关系，这种关系有要有两种表现形式。关联规则挖掘：找出支持度大于等于minsup(最小支持度)并且置信度大于等于minconf(最小置信度)==的所有规则。

（1）支持度确定可以用于给定数据集（X和Y）的频繁程度。支持数除以事务总数

（2） 置信度确定Y在包含X的事务中出现的频繁程度。X与Y的支持数除以X的支持数。

（3） 提升度反映了X与Y的相关性，提升度>1且越高表明正相关性越高，提升度<1且越低表明负相关性越高，提升度=1表面没有相关性。负值，有相互排斥的作用.

Apriori性质

1. 若A是一个频繁项集，则A的每一个子集都是一个频繁项集。
2. 若A是一个非频繁项目集，则A的所有超集是非频繁项目集。
3. 若X ⊆ Y ，则support(X) ≥support(Y)

Apriori 算法描述

（1）根据最小支持度找出数据集D中的所有频集。

• 初始通过单遍扫描数据集，确定每个项的支持度。从而得到频繁1-项集的集合F1.
• 使用上次迭代发现的频繁（k-1）项集，产生新的频繁k项集。（关键步骤）
• 对候选集支持度计数，算法需要扫描一次数据集，使用子集函数确定包含在每一个事务t中所有候选k项集。
• 计算候选项的支持度计数之后，算法将删去支持度计数小于minsup的所有候选集。
• 当没有新的频繁项集产生，算法结束。

（2）根据频繁项目集和最小置信度产生关联规则。

上述过程不那么清晰明了，通过一个例子来简单说明一下：
例子：该例数据库中有9个事务，即|D|=9。Apriori假定事务中的项按字典次序存放

1. 生成频繁项集的过程如下：

 

 2. 找出强关联规则

频繁集L1={I1, I2, I5}，L1的非空子集有{I1, I2}, {I1, I5}, {I2, I5}, {I1}, {I2}, {I5}

1^ I2 => I5, confidence=2/4=50%

I1 ^ I5 => I2, confidence=2/2=100 %

I2 ^ I5 => I1, confidence=2/2=100 %

I1 => I2 ^ I5, confidence=2/6=33 %

I2 => I1 ^ I5, confidence=2/7=29 %

I5 => I1 ^ I2, confidence=2/2=100 %

最小置信度阀值为70%，则只有第2、3和最后一个规则可以输出。

频繁集L2={I1, I2, I3}，L2的非空子集有{I1, I2}, {I1, I3}, {I2, I3}, {I1}, {I2}, {I3}

I1^ I2 => I3, confidence=2/4=50%

I1 ^ I3 => I2, confidence=2/4=50 %

I2 ^ I3 => I1, confidence=2/4=50%

I1 => I2 ^ I3, confidence=2/6=33 %

I2 => I1 ^ I3, confidence=2/7=29 %

I3 => I1 ^ I2, confidence=2/6=33 %

无满足情况的。