Apriori算法，MATLAB代码实现

最新推荐文章于 2024-09-27 09:00:43 发布
最新推荐文章于 2024-09-27 09:00:43 发布
阅读量2.5w 收藏 151
点赞数 19
分类专栏： 数据挖掘 文章标签： 算法 apriori算法 matlab 数据 关联规则
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u014552678/article/details/72691524
版权

Apriori算法简介：

想必大家都知道apriori算法的原理吧，最著名的关联规则发现方法R.Agrawal提出的Apriori算法。

  1. 1 Apriori 算法的基本思想
  2. 2 Apriori算法的基本思想是通过对数据库的多次扫描来计算项集的支持度，发现的频繁项集从而生成关联规则。Apriori算法对数据集进行多次扫描。第一次扫描得到频繁1-项集的集合这里写图片描述,第k（k>1）次扫描的结果这里写图片描述来产生候选k-项集的集合这里写图片描述，然后在扫描的过程中确定这里写图片描述中元素的支持度，最后在每一次扫描结束时计算频繁k-项集的集合这里写图片描述,算法在当候选k-项集的集合这里写图片描述为空时结束。
  3. Apriori算法产生频繁项集的过程
    • 产生频繁项集的过程主要分为连接和剪枝两步：
      (1)连接步。为找到这里写图片描述（k>=2）,通过这里写图片描述与自身作连接产生候选k-项集的集合这里写图片描述。设这里写图片描述和这里写图片描述是这里写图片描述中的项集。记这里写图片描述表示这里写图片描述的第j个项。Apriori算法假定事务或项集中的项按字典次序排序；对于（k-1）项集这里写图片描述，对应的项排序为这里写图片描述。如果这里写图片描述的元素这里写图片描述和这里写图片描述的前（k-2）个对应项相等，则这里写图片描述和这里写图片描述。即如果这里写图片描述时，这里写图片描述和这里写图片描述可连接。条件这里写图片描述可以保证不产生重复，而按照这里写图片描述次序寻找频繁项集可以避免对事务数据库中不可能发生的项集所进行的搜索和统计工作。连接这里写图片描述和这里写图片描述产生的结果项集为（这里写图片描述）。
      (2)剪枝步。由Apriori算法的性质可知，频繁k-项集的任何子集必须是频繁项集。由连接生成的集合这里写图片描述需要进行验证，去除不满足支持度的非频繁k-项集。
  4. Apriori算法的主要步骤
    (1)扫描全部数据，产生候选1-项集的集合这里写图片描述.
    (2)根据最小支持度，由候1-选项集的集合这里写图片描述产生频繁1-项集的集合这里写图片描述。
    (3)对k>1,重复执行步骤(4)(5)(6)。
    (4)由这里写图片描述执行连接和剪枝操作，产生候选(k+1)-项集集合这里写图片描述。
    (5)根据最小支持度，由候选(k+1)-项集的集合这里写图片描述，产生频繁(k+1)-项集集合这里写图片描述。
    (6)若L这里写图片描述，则k=k+1，跳往步骤(4);否则，跳往步骤(7)。
    (7)根据最小置信度，由频繁项集产生强关联规则，结束。
  5. Apriori算法描述
    输入：数据库D，最小支持度阈值min_sup。
    输出：D中的频繁项集L。
    (1)Begin
    (2)这里写图片描述=1-频繁项集；
    (3)for(k=1;这里写图片描述)这里写图片描述;k++)do begin
    (4)这里写图片描述=Apriori_gen(这里写图片描述);{调用函数Apriori_gen(这里写图片描述)}通过频繁项集(k-1)-项集产生候选项k-项集}
    (5)for 所有数据集这里写图片描述 do begin{扫描D用于计数}
    (6)这里写图片描述=subset(这里写图片描述,t);{用subset找出该事物中候选的所有子集}
    (7)for 所有候选集这里写图片描述 do
    (8)c.count++;
    (9)end
    (10)这里写图片描述
    (11)end
    (12)end
    (13)Return 这里写图片描述{形成频繁集集合}

  6. MATLAB实现Apriori算法的过程：
    算法一：扫描数据库生成布尔矩阵后，对这个布尔矩阵进行操作，通过Apriori的连接步剪枝步找到其候选项集，然后把候选项集生成候选项集向量，比如数据库中的事务集有5个项，5个事务：事务矩阵T
    这里写图片描述
    这就是生成的布尔矩阵，其中T代表的是事务，I代表的是项(属性)，怎样扫描这个事务矩阵呢？这个算法中是用候选项集向量匹配事务矩阵中的每一行，比如候选2-项集为{这里写图片描述}那么它的候选2-项集的向量为s=[0 1 1 0 0],为了求出此候选集的支持度，直接用s分别和事务矩阵的每行做内积，即sum=s./T(i,:)，i为T的行数，第i行

    如果 sum==2 则此候选项集的支持度计数+1

    这样就求出了此候选项集的支持度了。

    Apriori.m

function Apriori(T, minSup)
 M = size(T,1);%事务数
    N = size(T,2);%属性数
    C=cell(1,N);
    STCount=sum(T)/M;%候选集的支持度
    for r=1:N
        C{r}=r;
    end
    L=C(STCount>minSup);%把count里面的>=MST的值找出来 
    LL=L;
    ICount=sum(T,2);%T矩阵的各行之和
    k=1;%频繁项集的项?
    disp(numel(L));
% Initialize Counter
    k=1;%频繁项集的项数
    B=[];
    BB=reshape(cell2mat(L),1,numel(L)); 
    % Iterations
    while ~isempty(L)%可以直接用这个isempty()函数来判空。while循环是生成频繁项集的大循环41-87行,由L{k}-->L{k+1}变化
        C={};
        %L={};
        u=0;
        for r=1:numel(L)
            for i=r:(numel(L)-1)
                x1=L{r};
                x2=L{i+1};
                if k==1
                    c=0;
                else
                    y1=x1;
                    y2=x2;
                    y1(k)=[];
                    y2(k)=[];
                    c = sum(y1==y2);%求两个候选集的交集
                end
                if  (c==k-1)%判断1.交集长度是否为1,2.判断交集c和x1前le-1相同的个数是否le-1
                    NEW=x1;
                    NEW(k+1)=x2(k);
                    sub_set=subset(NEW);%求NEW的子集
                    %生成该候选项的所有K-1项子集
                    len=length(sub_set);
                    %判断这些K-1项自己是否都为频繁的
                    p=1; n=0;
                    while(p && n<len)
                        n=n+1;%计数子集属于频繁项集的个数
                        if k==1
                            p=in(sub_set{n},BB);%in函数判断NEW子集是否属于L频繁项集
                        else
                            p=in(sub_set{n},B);%in函数判断NEW子集是否属于L频繁项集
                        end
                    end
                    if n==len%如果计数n和len相等，则其子集全部属于频繁项集
                        u=u+1;
                        %候选k项集
                        C{u}=NEW;%把这个符合条件的NEW集归于C候选集合
                    end
                else
                    break;
               end
            end
        end
        L={};
        w=0;
        for r=1:numel(C)            
            SS=zeros(N,1);
            SS(C{r})=1;          
            Sup=sum(T*SS==k+1)/M;
            if Sup > minSup
                w=w+1;
               L{w}=C{r};
            end
        end
        B=reshape(cell2mat(L),k+1,numel(L));          
        disp(numel(L));%%%%%%%%%%%%%%%%%%        
        clear C;        
        k=k+1;       
    end
end

BooleMatrix.m把数据转化为布尔矩阵，注意读入的数据一定是每行数据的个数一致

function [ B ] = BooleMatrix(A)
%UNTITLED Summary of this function goes here
%   Detailed explanation goes here
M=size(A,1);
N=size(A,2);
B=zeros(M,119);
for i=1:M
    for j=1:N
        B(i,A(i,j))=1;
    end 
end
end

in.m判断候选项集的子集是否频繁项集


function [re]=Copy_of_in(a,b)
re=0;
b=b';
m=size(b,1);
n=length(a);
        if(sum(all(b == repmat(a,size(b,1),1),2))==1)
            re=1;
        end

end

Main.m主函数，运行这个文件就可以

function Main()
    load mushroom.mat;
    MushroomBooleMatrix=BooleMatrix(mushroom);
    minSup = 0.2;
    Apriori(MushroomBooleMatrix,minSup);
end

subset.m求出候选项集的子集

function [a]=subset(b)
%对于含有k个元素的集合，生成该集合的所有k-1项子集
%生成过程，用全集分别减去某一个元素就可以得到一个K-1项子集
m=length(b);
a{1}=b(2:m);
    for i=2:m
        NEW=b;
        NEW(i)=[];
        a{i}=NEW;
    end
end

算法二：这个算法和上个算法不同之处在于，这个算法求支持度时是把候选项集所对应的事务矩阵的列找出来进行求“与”操作，比如某候选2-项集为{这里写图片描述}，则取出这两列的事务矩阵进行相”与”操作，即：[11011]&[11100]=[1 1 0 0 0]则此候选2-项集的支持度计数为2；其他类此！代码如下：

Apriori找频繁项集的函数

function Apriori(T, minSup)
    M = size(T,1);%事务数
    % Number of attributes in the dataset
    N = size(T,2);%属性数
    % Find frequent item sets of size 1 (list of all items with minSup)
    L={};
    for i = 1:N
        S = sum(T(:,i))/M;
        if S >= minSup
            L = [L; i];
        end
    end
    LL=L;
    %Find frequent item sets of size >=2 and from those identify rules with minConf
    % Initialize Counter
    disp(numel(LL));%%%%%%%%%%%%%%%%%%%%%%%
% Initialize Counter
    k=1;%频繁项集的项数
% Iterations
    while ~isempty(LL)%可以直接用这个isempty()函数来判空。while循环是生成频繁项集的大循环41-87行,由L{k}-->L{k+1}变化
        C={}; 
        L={};
        w=0;    
        for r=1:numel(LL)
            for i=r:(numel(LL)-1)
                Ecount=0;
                for j=1:(k-1)
                    if(LL{r}(j)==LL{i+1}(j))
                        Ecount=Ecount+1;
                    else
                        break;
                    end
                end
                if(Ecount==(k-1))
                    w=w+1;
                    NEW=LL{r};
                    NEW(k+1)=LL{i+1}(k);
                    C{w}=NEW;
                else
                    break;
                end
            end
        end
        w=0;
        for r=1:numel(C)            
            S=T(:,C{r});
            [~, x]=size(S);
            SS=ones(M,1);
            for i=1:x
                SS=SS&(S(:,i));
            end
            Sup=sum(SS)/M;
            if Sup >= minSup
                w=w+1;
               L{w}=C{r};
            end
        end
        LL=L;
        disp(numel(LL));%%%%%%%%%%%%%%%%%%
        % Increment Counter
        k=k+1;
    end
end

BooleMatrix.m生成布尔矩阵

function [ B ] = BooleMatrix(A)
%UNTITLED Summary of this function goes here
%   Detailed explanation goes here
M=size(A,1);
N=size(A,2);
B=zeros(M,N);
for i=1:M
    for j=1:N
        B(i,A(i,j))=1;
    end 
end
end

Main.m主函数，执行此函数就可以

%%%看内存
% % % % % profile on -memory
% % % % % myprog
% % % % % profile viewer
function Main()
load mushroom.mat;
MushroomBooleMatrix=BooleMatrix(mushroom);
minSup = 0.2;
Apriori(MushroomBooleMatrix,minSup);
end

END 大家有什么不同的看法或意见请和我讨论谢谢 数据集 可以用mushroom数据集

MENG哥
关注
专栏目录
apriori算法MATLAB程序
10-10
用MATLAB软件实现关联规则中频繁项集挖掘算法Apriori 调试可用 附带测试数据集 程序完整
Apriori算法matlab
06-02
本算法是Apriori算法matlab版本，配有测试数据 本算法是Apriori算法matlab版本，配有测试数据
A*算法最短路径MATLAB实现大全
最新发布
weixin_30653091的博客
09-27 924
本文还有配套的精品资源，点击获取 简介：A 算法是一种高效的图形搜索算法，能够快速找到最短路径并广泛应用于计算机科学和游戏开发。MATLAB实现包含关键步骤如定义图形结构、设计启发式函数、评估总代价、使用开放和关闭列表、进行搜索过程和回溯路径。本代码示例致力于提供一个万能的A 算法实现，以便于调整和应用在各种场景的最短路径问题上。 1. A*算法简介...
Apriori算法matlab代码实现，带数据集和使用说明
12-24
Apriori算法matlab代码实现，关联规则分析，带数据集和使用说明
【大数据分析与挖掘算法】matlab实现——Apriori关联规则算法
Robbi_的博客
09-04 967
四、实验结果。
简单易学的机器学习算法——Apriori算法
null的专栏
11-24 5479
一、关联分析
关联规则及其Apriori算法实现（MATLAB）
weixin_48685040的博客
06-04 9017
你是否有过这样的经历：在刷抖音的时候，总是容易刷到自己比较感兴趣的领域，比如说你喜欢玩游戏、看电影、看美女，那么你刷到的视频往往就在这几个之间徘徊；当你进入淘宝、京东想看点东西的时候，你想买的东西正好在搜索框的推荐项；当你QQ音乐的喜欢里有《稻香》，那么某一天你就会发现，推荐列表里就会出现《七里香》；你是否在疑惑，这些软件是怎么将我们的喜好联系起来的呢，这就运用到了关联规则。关联规则最初是为了解决购物篮问题而产生。购物篮分析(Market Basket Analysis)，20世纪90年代，大概是1993年
Apriori算法Matlab实现
qq_44095825的博客
05-08 4058
比方说出个题目： m,n,j,h; n,j,s; m,n,j,s; n,h,s; m,n,j,h. 然后求最小支持度计数阈值为3的频繁项集。 首先将数据数字化： 解释一下这个矩阵，就是横着的表头为m,n,j,h,s;竖着的表头是第一行到第五行，1表示有出现这个，0表示没有。 大概就是下面这个意思，不知道大家能不能理解。 m n j h s 01 1 1 1 1 0 02 0 1 1 0 1 03 1 1 1 0 1 04 0 1 0 1 1 05 1 1 1 1 0 下面是源代码(来源于我们老师)。 in
matlab 实现基本apriori算法
YYlxid————Nothing is possible if not try～
05-16 7051
刚刚学了数据挖掘的这个算法，马上实现下，怕忘掉了。。感觉matlab的好处就是矩阵可以一起进行逻辑运算，不过我没有进行预处理，输入的数据集保存在txt文件里，且都是以0-1矩阵构成的，不考虑出现次数。输出只实现了得到k-频繁项集，没有计算最终的关联规则。。那个感觉要遍历什么的，用矩阵枚举？？？还没想到怎么弄。。。。     现在就贴贴代码，可能存在很多地方没有考虑到，，希望各位大神指点。。。。。
数据挖掘实验（六）Matlab实现Apriori算法【关联规则挖掘】
nefu_ljw的博客
11-20 1万+
文章目录（一）关联规则挖掘（二）Apriori关联规则挖掘算法的基本思想（三）问题描述（四）Matlab实现Apriori挖掘算法，提取关联规则 （一）关联规则挖掘 关联规则挖掘（Association rule mining）是数据挖掘中最活跃的研究方法之一，可以用来发现不同事物之间的联系，最早是为了发现超市交易数据库中不同的商品之间的关系。 例如一个超市的经理想要更多的了解顾客的购物习惯，比如“哪组商品可能会在一次购物中同时被购买？”或者“某顾客购买了个人电脑，那该顾客三个月后购买数码相机的概率有多大？
apriori算法MATLAB程序-其它文档类资源
01-03
用MATLAB软件实现关联规则中频繁项集挖掘算法Apriori 调试可用 附带测试数据集 程序完整 用MATLAB软件实现关联规则中频繁项集挖掘算法Apriori 调试可用 附带测试数据集 程序完整
apriori关联分析matlab实现
09-10
经典的关联规则数据挖掘算法Apriori 算法广泛应用于各种领域，通过对数据的关联性进行了分析和挖掘，挖掘出的这些信息在决策制定过程中具有重要的参考价值。
程序代码_Apriori_matlab_Apriori算法_
09-28
Matlab代码实现可能包括以下几个关键部分： 1. 读取数据：将数据转换为Matlab可处理的格式。 2. 初始化：设置最小支持度阈值，创建空的频繁项集列表。 3. 循环迭代：生成候选集，计算支持度，更新频繁项集列表。 4....
APriori算法matlab
10-18
在本文中，我们将深入探讨APriori算法的基本原理、Matlab实现及其在实际应用中的价值。 首先，我们要理解APriori算法的核心概念。它是由Raghu Ramakrishnan和Ganesh Ganti于1994年提出的，主要用于处理交易数据库中...
apriori算法matlab频繁模式挖掘(含代码-原始数据).docx
11-16
Apriori算法Matlab频繁模式挖掘 Apriori算法是频繁模式挖掘领域中的一种经典算法，主要用于发现交易数据库中的频繁项集。Matlab是进行频繁模式挖掘的常用工具之一，本文档将详细介绍Apriori算法在Matlab中的实现...
matlab实现apriori算法关联分析源代码.doc
11-21
“matlab实现apriori算法关联分析源代码” Apriori 算法是一种常用的关联规则挖掘算法，它可以从大量数据中发现隐含的关联关系。下面是 Apriori 算法的详细说明： 一、实验目的 通过实验，加深数据挖掘中一个...
关联规则浅谈以及Apriori算法matlab实现
热门推荐
lfdanding的专栏
02-27 4万+
关联规则分析也叫做购物篮分析，最早是为发现超市销售数据库中不同商品之间的关联关系。例如一个超市的经理想要更多的了解顾客的购物习惯，比如“哪组商品可能会在一次购物中同时被购买？”或者“某顾客购买了个人电脑，那该顾客三个月后购买数码相机的概率有多大？”他可能会发现如果购买了面包的顾客同时非常有可能会购买牛奶，这就导出了一条关联规则“面包->牛奶”，其中面包称为规则的前项，而牛奶则称为规则的后项。通过对面
Matlab实现apriori算法
2301_77604558的博客
05-21 1236
数据挖掘概念与技术 原书第三版 习题6.6
apriori算法matlab代码
04-28
Apriori算法的Matlab代码实现可以如下： ```matlab function [frequentItemsets, support] = apriori(data, minSupport) % data: N*M的矩阵，每行为一个事务，每列为一个项 % minSupport: 最小支持度，0到1之间的...
评论 24
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值