if (itemkFcMap.get(subC) == null) {
hasInfrequentSubSet = true;
break;
}
}
} else {
hasInfrequentSubSet = true;
}
if (!hasInfrequentSubSet) {
candidateCollection.put(c, 0);
}
}
}
return candidateCollection;
}
复制代码
4.L1的生成过程
private Map<String, Integer> getItem1FC() {
Map<String, Integer> sItem1FcMap = new HashMap<String, Integer>();// 存放候选1项集
Map<String, Integer> rItem1FcMap = new HashMap<String, Integer>();// 存放频繁1项集
for (String trans : transList) {
String[] items = trans.split(ITEM_SPLIT);
for (String item : items) {
Integer count = sItem1FcMap.get(item + ITEM_SPLIT);
if (count == null) {
sItem1FcMap.put(item + ITEM_SPLIT, 1);
} else {
sItem1FcMap.put(item + ITEM_SPLIT, count + 1);
}
}
}
Set keySet = sItem1FcMap.keySet();
for (String key : keySet) {
Integer count = sItem1FcMap.get(key);
if (count >= SUPPORT) {
rItem1FcMap.put(key, count);
}
}
return rItem1FcMap;
}
复制代码
5. 生成关联规则的过程
public Map<String, Double> getRelationRules(Map<String, Integer> frequentCollectionMap) {
Map<String, Double> relationRules = new HashMap<String, Double>();
Set keySet = frequentCollectionMap.keySet();
for (String key : keySet) {
double countAll = frequentCollectionMap.get(key);
String[] keyItems = key.split(ITEM_SPLIT);
if (keyItems.length > 1) {
List source = new ArrayList();
Collections.addAll(source, keyItems);
List<List> result = new ArrayList<List>();
buildSubSet(source, result);// 获得source的所有非空子集
for (List itemList : result) {
if (itemList.size() < source.size()) {// 只处理真子集
List otherList = new ArrayList();
for (String sourceItem : source) {
if (!itemList.contains(sourceItem)) {
otherList.add(sourceItem);
}
}
String reasonStr = “”;// 前置
String resultStr = “”;// 结果
for (String item : itemList) {
reasonStr = reasonStr + item + ITEM_SPLIT;
}
for (String item : otherList) {
resultStr = resultStr + item + ITEM_SPLIT;
}
double countReason = frequentCollectionMap.get(reasonStr);
double itemConfidence = countAll / countReason;// 计算置信度
if (itemConfidence >= CONFIDENCE) {
String rule = reasonStr + CON + resultStr;
relationRules.put(rule, itemConfidence);
}
}
}
}
}
return relationRules;
}
复制代码
6.对频繁项目集的所有子集生成关联规则
private void buildSubSet(List sourceSet, List<List> result) {
// 仅有一个元素时，递归终止。此时非空子集仅为其自身，所以直接添加到result中
if (sourceSet.size() == 1) {
List set = new ArrayList();
set.add(sourceSet.get(0));
result.add(set);
} else if (sourceSet.size() > 1) {
// 当有n个元素时，递归求出前n-1个子集，在于result中
buildSubSet(sourceSet.subList(0, sourceSet.size() - 1), result);
int size = result.size();// 求出此时result的长度,用于后面的追加第n个元素时计数
// 把第n个元素加入到集合中
List single = new ArrayList();
single.add(sourceSet.get(sourceSet.size() - 1));
result.add(single);
// 在保留前面的n-1子集的情况下，把第n个元素分别加到前n个子集中，并把新的集加入到result中;
// 为保留原有n-1的子集，所以需要先对其进行复制
List clone;
for (int i = 0; i < size; i++) {
clone = new ArrayList();
for (String str : result.get(i)) {
clone.add(str);
clone.add(sourceSet.get(sourceSet.size() - 1));
result.add(clone);
}
}
}
}
复制代码
7.主函数，调用getFC()输出频繁项目集，调用getCandidateCollection()生成存在强关联规则的项目
public static void main(String[] args) {
Apriori apriori = new Apriori();
Map<String, Integer> frequentCollectionMap = apriori.getFC();
System.out.println(“--------------频繁项目集”+“--------------”);
Set fcKeySet = frequentCollectionMap.keySet();
for (String fcKey:fcKeySet){
System.out.println(fcKey+" : "+frequentCollectionMap.get(fcKey));
}
Map<String, Double> relationRulesMap = apriori.getRelationRules(frequentCollectionMap);
System.out.println(“--------------存在强关联规则如下”+“--------------”);
Set rrKeySet=relationRulesMap.keySet();
for(String rrKey:rrKeySet){
System.out.println(rrKey+" : "+relationRulesMap.get(rrKey));
}
}
}
复制代码
运行结果：
二.利用weka工具对天气数据、美国国会议员投票信息、超市购物篮数据进行关联规则挖掘，并分析挖掘结果
<1>
选择Apriori
设置好各项参数
设置完成后点击start运行
Run information //实验运行信息
Scheme: weka.associations.Apriori //所选的关联规则挖掘方案：Apriori算法
-N 10 -T 0 -C 0.9 -D 0.05 -U 1.0 -M 0. 1 -S -1.0 -c -1
//各参数依次表示：
I - 输出项集，若设为false则该值缺省;
N 10 - 规则数为10;
T 0 – 度量单位选为置信度，(T1-提升度，T2杠杆率，T3确信度);
C 0.9 – 度量的最小值为0.9;
D 0.05 - 递减迭代值为0.05;
U 1.0 - 最小支持度上界为1.0;
M 0.1 - 最小支持度下届设为0.1;
S -1.0 - 重要程度为-1.0;
c -1 - 类索引为-1输出项集设为真
Relation:weather.symbolic //数据的名称weather.symbolic
Instances: 14 //数据的记录数 14
Attributes:5 //属性数目 5以及各属性名称
Apriori // Apriori算法运行结果
Minimum support: 0. 1 5 (2 instances) //最小支持度0.15，即最少需要2个实例
Minimum metric : 0.9 //最小度量<置信度>: 0.9
Number of cycles performed: 1 7 //进行了17轮搜索
Generated sets of large itemsets: //生成的频繁项集
Size of set of large itemsets L(1): 12 //频繁1项集：12个
Size of set of large itemsets L( 2 ): 47 //频繁2项集：47个
Size of set of large itemsets L( 3 ): 39 //频繁3项集：39个
Size of set of large itemsets L( 4 ): 6 //频繁4项集：6个
Best rules found: //最佳关联规则
1. outlook=overcast 4 ==> play=yes 4 conf:(1)") lift:(1.56) lev:(0.1) [1] conv:(1.43)
//规则采用“前件 num.1 ==>结论 num.2”的形式表示，前件后面的数字表示有多少个实例满足前件，结论后的数字表示有多少个实例满足整个规则，这就是规则的”支持度“。
conf：置信度 lift：提升度 lev：杠杠率 conv：确信度
设置参数 outputItemSets 为 true，再次运行 Apriori 算法，会生成各频繁项目集及他们的支
持数如下：
<2>加载 vote.arff 数据集，该数据集中各属性含义如下：
切换至 Associate 标签页，选择 Apriori 算法，保持默认选项，单击 start 按钮，
结果如下：
参数解释如<1>一致
<3>加载 supermarket.arff 数据集
运行 Apriori 算法，结果如下：
解析如下：
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。
深知大多数Java工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！
因此收集整理了一份《2024年Java开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Java开发知识点，真正体系化！
由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新
如果你觉得这些内容对你有帮助，可以添加V获取：vip1024b （备注Java）
总结
谈到面试，其实说白了就是刷题刷题刷题，天天作死的刷。。。。。
为了准备这个“金三银四”的春招，狂刷一个月的题，狂补超多的漏洞知识，像这次美团面试问的算法、数据库、Redis、设计模式等这些题目都是我刷到过的
并且我也将自己刷的题全部整理成了PDF或者Word文档（含详细答案解析）
66个Java面试知识点
架构专题（MySQL，Java，Redis，线程，并发，设计模式，Nginx，Linux，框架，微服务等）+大厂面试题详解（百度，阿里，腾讯，华为，迅雷，网易，中兴，北京中软等）
算法刷题（PDF）
截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新**
如果你觉得这些内容对你有帮助，可以添加V获取：vip1024b （备注Java）
[外链图片转存中…(img-drUCouMR-1712062830110)]
总结
谈到面试，其实说白了就是刷题刷题刷题，天天作死的刷。。。。。
为了准备这个“金三银四”的春招，狂刷一个月的题，狂补超多的漏洞知识，像这次美团面试问的算法、数据库、Redis、设计模式等这些题目都是我刷到过的
并且我也将自己刷的题全部整理成了PDF或者Word文档（含详细答案解析）
[外链图片转存中…(img-IDLr8aUz-1712062830111)]
66个Java面试知识点
架构专题（MySQL，Java，Redis，线程，并发，设计模式，Nginx，Linux，框架，微服务等）+大厂面试题详解（百度，阿里，腾讯，华为，迅雷，网易，中兴，北京中软等）
[外链图片转存中…(img-9eBAHW5H-1712062830111)]
算法刷题（PDF）
[外链图片转存中…(img-oSpDMrnQ-1712062830111)]
3501
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
