关联规则挖掘-Apriori算法-考试题目(无算法原理讲解)

在这里插入图片描述
1.
解答:

分析:找频繁项集,要看的“标杆”是支持度50%
题目中给出的记录数是4,
所以,4*50%=2,要满足n>=2
首先找频繁1项集,
比如:1一共在记录中出现2次,满足n>=2,就填入表格;
2一共出现3次,满足,填入表格;
3出现3次,满足;
4出现1次,不满足,不填入表格;
5出现3次,满足,填入表格。

∴频繁1项集为:

在这里插入图片描述

分析:
接下来找频繁2项集,频繁2项集要根据频繁1项集来找,把频繁1项集中的记录组合起来,
比如:1和2组合成{1,2},{1,2}在题目给出的记录中只出现了1次,在第3行记录出现,不满足,不填入表格;
{1,3}出现2次,满足;
{1,5}出现1次,不满足;
{2,3}出现2次,满足;
{2,5}出现3次,满足;
{3,5}出现2次,满足;

所以频繁2项集为:
在这里插入图片描述

分析:继续找频繁3项集,根据频繁2项集来找频繁3项集,组合情况有
{1,3,2,3}=》{1,2,3}
{1,3,2,5}=》{1,2,3,5} 4项,不符合3项集,不用考虑
{1,3,3,5}=》{1,3,5}
{1,3,2,5}=》{1,2,3,5} 4项,不符合3项集,不用考虑
{2,3,3,5}=》{2,3,5}
{2,3,2,5}=》{2,3,5}
{3,5,2,5}=》{2,3,5}
这样依次找到每个组合在题中给的表中出现的次数,符合条件的填入频繁3项集中。

PS:这里提供一个简便的方法,在找频繁3项集的时候,找频繁2项集中记录的首项相同的,让它们进行组合再去找出现的次数,可以减少工作量。
如:在频繁2项集中,{1,3}和{2,3}的首项不相同,就没必要合并,也就不用去找合并后的出现次数了。

所以,频繁3项集如下:
在这里插入图片描述

接下来就不用去找频繁4项集了,因为找到的频繁3项集中只有一条记录,也就是组合不出有4个数的一个集合了,也就没有符合频繁4项集的了。

解答:
找强关联规则的“标杆”是可信度 70%。
先看频繁3项集,根据频散3项集可以有:
2∧3=>5
3∧2=>5
2∧5=>3
5∧2=>3
3∧5=>2
5∧3=>2
计算方法如下,对第一个{2,3,5} / {2,3}={2,3,5}出现的次数 / {2,3}出现的次数=2/2=1=100%
100%>70% 满足,属于强关联规则。
对第二个,{3,2,5} / {3,2} ={3,2,5}出现的次数/{3,2}出现的次数=1/1=100%
对第三个,{2,5,3}/{2,5}={2,5,3}出现的次数/{2,5}出现的次数=2/3=66.7%<70%不满足

依次类推,逐个计算。
再看频繁2项集,则有:
1=>3
3=>1
2=>3
3=>2
2=>5
5=>2
3=>5
5=>3
对第一个,计算方法为{1,3} / {1}={1,3}出现的次数 / {1}出现的次数 =2/2=100%>70% 满足,是强关联规则。
第二个,{1,3} / {3}={1,3}出现的次数 / {3}出现的次数 = 2 / 3=66.7%<70%
不满足,不是强关联规则。

依次计算完成即可得到所有的强关联规则。
至此,第二问做完。

  • 7
    点赞
  • 72
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
对于Apriori算法例题,可以考虑以下数据集: 假设有一个超市销售记录的数据集,其中包含了顾客购买的产品信息。数据集的示例如下: Transaction ID | Items Purchased ---------------------------------- 1 | Milk, Bread, Eggs 2 | Bread, Cheese 3 | Milk, Juice 4 | Bread, Cheese, Juice 5 | Milk, Bread, Cheese 我们可以使用Apriori算法来发现频繁项集及其关联规则。首先,我们需要确定阈值来定义频繁项集的最小支持度,例如假设我们将最小支持度设置为2。 第一步,我们计算每个单个项的支持度。在这个例子中,我们可以得到以下结果: Item | Support Count ------------------------- Milk | 3 Bread | 4 Eggs | 1 Cheese | 3 Juice | 2 通过计算得到的支持度,我们可以发现Milk、Bread、Cheese是频繁项集。 第二步,根据频繁项集生成候选项集。首先,我们生成长度为2的候选项集。通过组合频繁项集中的项,我们可以得到以下候选项集: Candidate Itemset | Support Count --------------------------------- Milk, Bread | 2 Milk, Cheese | 2 Bread, Cheese | 3 然后,我们计算候选项集的支持度。根据计算得到的支持度,我们可以发现Milk, Bread和Milk, Cheese是频繁项集。 第三步,继续生成更长的候选项集。通过组合频繁项集中的项,我们可以得到长度为3的候选项集: Candidate Itemset | Support Count ----------------------------------- Milk, Bread, Cheese | 2 最后,我们可以得到频繁项集:Milk, Bread, Cheese。根据频繁项集,我们可以生成关联规则,例如: Milk, Bread => Cheese Cheese => Milk, Bread 这些关联规则可以帮助超市了解不同产品之间的购买关联性,从而进行商品摆放优化、促销策略制定等决策。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

失眠的树亚

你的鼓励是我最大的创作动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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