[机器学习笔记] 常用关联规则算法

最新推荐文章于 2024-05-31 16:54:13 发布

梅森上校

最新推荐文章于 2024-05-31 16:54:13 发布

阅读量1.6k

点赞数

分类专栏：机器学习（ML）

本文为博主原创文章，未经博主允许不得转载。

本文链接：https://blog.csdn.net/seagal890/article/details/105161608

版权

本文介绍了机器学习中常用的关联规则算法，包括Apriori、FP-Tree和Eclat算法，以及灰色关联分析(GRA)的理论与应用。关联规则挖掘用于大数据中的知识发现，是一种无监督学习方法。

摘要由CSDN通过智能技术生成

关联规则算法是一种基于规则的机器学习算法，该算法可以在大数据中发现彼此之间的关系。

它的目的是：利用一些度量指标来分辨数据库中存在的强规则。也即是说关联规则挖掘是用于知识发现，而非预测，所以是属于无监督的机器学习方法。

算法名称	算法描述
Apriori	关联规则最常用也是最经典的挖掘频繁项集的算法其核心思想是通过连接产生候选项及其支持度然后通过剪枝生成频繁项集
FP-Tree	针对Apriori算法的固有的多次扫描事务数据集的缺陷，提出的不产生候选频繁项集的方法。 Apriori 和 FP-Tree 都是寻找频繁项集的算法
Eclat算法	Eclat算法是一种深度优先算法，采用垂直数据表示形式，在概念理论的基础上利用基于前缀的等价关系将搜索空间划分为较小的子空间

算法名称

算法描述

Apriori

关联规则最常用也是最经典的挖掘频繁项集的算法

其核心思想是通过连接产生候选项及其支持度然后通过剪枝生成频繁项集

FP-Tree

针对Apriori算法的固有的多次扫描事务数据集的缺陷，提出的不产生候选频繁项集的方法。

Apriori 和 FP-Tree 都是寻找频繁项集的算法

Eclat算法

Eclat算法是一种深度优先算法，采用垂直数据表示形式，在概念理论的基础上利用基于前缀的等价关系将搜索空间划分为较小的子空间

关注

专栏目录