数据挖掘（一）——Apriori关联规则算法及评估

数据挖掘(一)——Apriori关联规则算法及评估

1、Apriori算法概述

  大家不要害怕，在《数据挖掘概念与技术》一书中，Apriori算法是作为第一个数据挖掘算法来讲的，没有大公式，而且很容易理解， 直接上算法的手推图：

  图片左上角是原数据，图片下半部分是步骤。

  首先查找频繁一项集，项集就是项的集合（项，如：面包、牛奶等等），频繁项集可以理解为出现频度高或出现次数多的项集，如频繁{ $面包,牛奶$}表示买面包就很可能买牛奶或买牛奶就很可能买面包。怎么查找频繁一项集呢？先把所有的一项集列出来，{ $面包$}{ $牛奶$}{ $啤酒$}{ $尿布$}，然后统计每个一项集的支持度计数，比如对于{ $面包$}，小明、小红、小赵三个人买了，那{ $面包$}的支持度计数就是3，以此类推。然后我们设定支持度阈值为2，也就是说买面包的人少于两个我们就懒得考虑这一项了，因为买面包的人很少那挖掘它的意义也不大，据此找到支持度计数大于等于2的项集，作为频繁一项集。如图中1、2步。

  第二步是由频繁一项集产生二项集再选出频繁二项集（这里我们先不考虑先验性质），直接将频繁一项集按照不重复的原则组合成二项集，可以理解为排列组合，四个里面挑两个，$C_4^2=6$，一共有6个二项集{ $面包,牛奶$}{ $面包,啤酒$}{ $面包,尿布$}{ $牛奶,啤酒$}{ $牛奶,尿布$}{ $啤酒,尿布$}。然后计算每个二项集的支持度计数，比如{ $面包,牛奶$}，同时买面包牛奶的是小红、小赵两人，所以的支持度计数是2，以此类推。之后再将支持度计数和阈值比较，选出频繁二项集{ $面包,牛奶$}{ $啤酒,尿布$}。如图中3、4步。

  第三步是构造三项集并选出频繁三项集，直接将频繁一项集和频繁二项集进行组合（后续构造n项集也是频繁n-1项集与频繁一项集组合），仍按照不重复原则，构造出三项集，然后计算支持度计数，并与阈值比较得到频繁三项集。这里我们发现所有三项集都不满足支持度阈值的要求，所以算法结束，给出结果，最终频繁项集为{ $面包,牛奶$}{ $啤酒,尿布$}。如图中第5步。

  没错，你就是呼唤胜利的男神！通过上述分析，你已经基本掌握了Apriori算法！

  那我们再来说一下先验性质是什么东西，有助于我们进一步学习Apriori算法。

  先验性质：频繁项集的所有非空子集也一定是频繁的。简单讲，{ $面包,牛奶,啤酒$}是频繁三项集，则{ $面包,牛奶$}{ 面 包 , 啤 酒 面包,啤酒 面包,啤酒</