java实现频繁项集_java实现Apriori算法——频繁项集的计算

请注意，本文编写于 1195 天前，最后修改于 708 天前，其中某些信息可能已经过时。

前言

之前学校开的选修课《数据挖掘》，布置的两道算法题，时间有限完成其中一道：用Apriori算法求特定支持度的频繁项集。

算法本身不难，java萌新我却花费了一天的时间，特此记录。

算法描述

我们目的是求出项数为K的频繁项集即L(K)。

Apriori算法的核心步骤是：L(K-1)通过自连接求出项数为K的候选项集合C(K)

通过对C(K)进行一系列处理(剪枝 + 支持度判断) 得到L(K)集合

在说明下面更多内容之前，先对一部分概念进行说明：事务：如第一张图中，每一行就是一个事务，如 T100 I1,I2,I5。其中T100是事务编号，这个随便命名，只要保证唯一即可。后面的I1 I2 I5是该事务中的项

数据集：如图一，整个表就是数据集，就是所有的事务的集合。即D = {T100,T200…}

项集：包含若干个项(如I1 、I2这样的项)的集合。可以看出项集和事务似乎有点项。但是项集更随意一点，任意几个项都能组成一个项集。但是事务是人为规定好的。

可信度：项集在数据集中出现的重复次数。项集不一定需要在事务中连续出现。如{I1,I2,I5}项集在数据集中出现的次数为2次，分别是第一个和倒数第二个事务。

接下来，详细分析算法中的两个步骤：

1. 自连接：

怎么个连接法呢？以图二中的L2频繁集的集合为例：项集支持度{I1,I2}4

{I1,I3}4

{I1,I5}2

{I2,I3}4

{I2,I4}2

{I2,I5}2

判断两个项集是否可以自连接要看两个项集的K-1项是否完全相同。如果满足条件，连接后的项集 = 第一个项集 + 第二个项集的最后一个元素。

比如{I1 I2}与{I1 I3}满足自连接条件，连接后的项集为{I1 I2 I3}。

2. 剪枝：

剪枝是这个算法的核心，如果不进行这个步骤的话，也能得出正确结果，但是时间就会大大增加了。

剪枝的核心是若某个集合存在一个非空子集不是频繁项集，则该集合不是频繁项集。

我们通过自连接组成新的K项的候选项集后，需要通过剪枝判断是否满足条件。

即找出该候选项集的含有(K-1)项的子集，并分别判断每个子集是否存在于K-1项频繁项集里。只要有一个不存在，那么该K项候选项集也不可能是频繁项集。

这里我们只需要找含有K-1项的子集，而不用找所有的子集，因为这个算法是从下不断递归上来的，含有更少项的子集肯定是在频繁子集里的。

问题关键是怎么寻找某个K项集的K-1项子集呢？

很简单，依次把K项集中的每个元素去掉一个就可以了。

完成了这两步骤，就完成了这个算法了核心步骤。

3. 对精简后候选集统计每一个项集的支持度

4. 根据最小支持度将候选项集转换为K项频繁项集合

可以看出，如果不剪枝的话，第三步的工作量是非常大的。剪枝过后，候选集的体积大大减小了。

但是获取含有一项的频繁项集因为没有候选项集，就需要特殊处理。

这个很简单，就是统计数据集中的每一项的支持度，并和最小支持度进行比较，得到含有一项的频繁项集。

代码分析import java.io.BufferedReader;

import java.io.File;

import java.io.FileInputStream;

import java.io.InputStreamReader;

import java.util.*;

/**

* @author hw

* 算法名称：数据挖掘：Apriori算法求特性支持度下的所有的频繁集

* 算法原理：

*

* 0. 获取C1的时候，因为没有L(0)频繁集，所以单独