数据挖掘 Apriori 算法

学习笔记之数据挖掘 Apriori 算法

关联规则

设 A 是一个由项目构成的集合，称为项集。如果项集 A 中包含 k 个项目，则称其为 k 项集。项集 A 在事务数据库 D 中出现的次数占 D 中总事务的百分比叫做项集的支持度。如果项集的支持度超过用户给定的最小支持度阈值，就称该项集是频繁项集（或频集）。
关联规则的信任度为 $Support ( X \cup Y) / support (X)$

$$\begin{align} support (X \Rightarrow Y) = P ( X \cup Y) \\ confidence (X \Rightarrow Y) = P (Y \vert X) \end{align}$$

关规则挖掘算法

• Agrawal 等人提出的 AIS, Apriori 和 AprioriTid
• Cumulate 和 Stratify, Houstsma 等人提出的 SETM
• Park 等人提出的 DHP
• Savasere 等人的 PARTITION
• Han 等人提出的不生成候选集直接生成频繁模式 FPGrowth
• 其中最有效和有影响的算法为 Apriori, DHP, PARTITION 和 FPGrowth

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。

1. 连接步：为找 $L_k$ 通过将 $L_{k-1}$ 与自身连接产生候选 k 项集的集合。$L_k$ 表示 k 项集。
2. 剪枝步：$C_k$ 是 $L_k$ 的超集，也就是说，$C_k$ 的成员可以是，也可以不是频繁的，但所有的频繁 k 项集都包含在 $C_k$ 中。任何非频繁的 (k-1) 项集都不是频繁 k 项集的子集。

例子

其他例子： https://blog.csdn.net/v_july_v/article/details/6279498

性质

1. 频繁项集的所有非空子集必为频繁项集；

   {a, b, c, d} 出现的频次很高，那么，{a}, {a, b} 出现的频次也一定高。

2. 非频繁项集的超集一定是非频繁的。

   如果 {a, b, c} 出现 10 次，则 {a, b, c, d} 出现的频次一定是小于等于 10 的。

不足

1. 
   
2. $C_k$ 的项集是用来产生频繁集的候选集。
3. 最后的频繁集 $L_k$ 必须是 $C_k$ 的一个子集。$C_k$ 中的每个元素在交易数据库中进行验证来决定其是否加入 $L_k$。
4. 验证过程是性能瓶颈。
   

交易数据库可能非常大；比如频繁集最多包含 10 个项，那么就需要扫描交易数据库 10 遍，需要很大的 I/O 负载。