Chapter11 - Association analysis
一个项集的支持度(support)被定义为数据集中包含该项集的记录所占的比例
可信度或置信度(confidence)是针对一条诸如{尿布} ->{葡萄酒}的关联规则来定义的。这条规则的可信度被定义为“支持度({尿布,葡萄酒})/支持度({尿布})”。
- 寻找频繁项集
Apriori原理是说如果某个项集是频繁的,那么它的所有子集也是频繁的。
对于图11-2给出的例子,这意味着如果{0,1}是频繁的,那么{0}、{1}也一定是频繁的。这个原理直观上并没有什么帮助,但是如果反过来看就有用了,也就是说如果一个项集是非频繁集,那么它的所有超集也是非频繁的。
Apriori算法流程:
当集合中项的个数大于0时
构建一个k个项组成的候选项集的列表
检查数据以确认每个项集都是频繁的
保留频繁项集并构建k+1项组成的候选项集的列表
python 实现
# 过滤支持度不符合的项
def scanD(D, Ck, minSupport):
ssCnt = {}
for tid in D:
# 用frozenset的作用体现在这里,ssCnt[can],可以作为key
for can in Ck:
if can.issubset(tid):
if not ssCnt.has_key(can):
ssCnt[can]=1
else:
ssCnt[can] += 1
numItems = float(len(D))
retList = []
supportData = {}
for key in ssCnt: # frozenset is the key
support = ssCnt[key]/numItems
if support >= minSupport:
retList.insert(0,key)
supportData[key] = support
return retList, supportData
#根据前一个每项长度为k-1的列表生成每项长k的列表
def aprioriGen(Lk, k): #creates Ck
retList = []
lenLk = len(Lk)
for i in range(lenLk):
for j in range(i+1, lenLk):
# 除了最后一个元素的
L1 = list(Lk[i])[:k-2]; L2 = list(Lk[j])[:k-2]
L1.sort(); L2.sort()
if L1==L2:
retList.append(Lk[i] | Lk[j])
return retList
#full apriori
def apriori(dataSet, minSupport = 0.5):
C1 = createC1(dataSet)
D = map(set, dataSet)
L1, supportData = scanD(D, C1, minSupport)
L = [L1]
k = 2
while (len(L[k-2]) > 0):
#根据前一个每项长度为k-1的列表生成每项长k的列表
Ck = aprioriGen(L[k-2], k)
# 过滤掉支持度不满足的项
Lk, supK = scanD(D, Ck, minSupport)
supportData.update(supK) # 增加一些键值对
L.append(Lk)
k += 1
return L, supportData
- 从频繁项集中挖掘关联规则
一条规则P-> H 的可信度定义为Support(P |H)/support(P),操作符丨表示集合的并操作.
假设规则{0,1,2} ->3并不满足最小可信度要求,那么就知道任何左部为{0,1,2}子集的规则也不会满足最小可信度要求,因为分子不变,分母非递减。
def generateRules(L, supportData, minConf=0.7):
bigRuleList = []
# L[0]中的项只有一个元素
for i in range(1, len(L)):
for freqSet in L[i]: # freqSet like:frozenset([0,1,2])
H1 = [frozenset([item]) for item in freqSet]
if (i > 1): # 每个项多于两个元素
rulesFromConseq(freqSet, H1, supportData, bigRuleList,minConf)
else:
calcConf(freqSet, H1, supportData, bigRuleList, minConf)
'''
calcConf(freqSet, H1, supportData, bigRuleList, minConf) # H中只有一个元素
if (i > 1): # 每个项多于两个元素
# 大于2个元素的项 H才能大于一个元素
rulesFromConseq(freqSet, H1, supportData, bigRuleList,minConf)
'''
return bigRuleList
# freqSet是总集合,H是P->H中的H列表
def calcConf(freqSet, H, supportData, brl, minConf=0.7):
prunedH = []
# H like: [{0},{1}], freqSet like:frozenset([0,1])
for conseq in H:
# print 'sss:',freqSet-conseq,conseq
# P->Q: support(P|Q)/support(P)
conf = supportData[freqSet]/supportData[freqSet-conseq]
if conf >= minConf:
print freqSet-conseq,'-->',conseq,'conf:',conf
brl.append((freqSet-conseq, conseq, conf))
prunedH.append(conseq)
return prunedH
'''
我们对支持度满足的项分裂成两部分P和H,找出可信度满足的P->H
freqSet = P+H, 参数H是H的列表
我们希望H先是一个元素,然后是两个元素,最多是len(freqSet)-1
'''
def rulesFromConseq(freqSet, H, supportData, brl, minConf=0.7):
# freqSet like:frozenset([0,1,2]), H like: [{0},{1},{2}],
m = len(H[0])
if (len(freqSet) > (m + 1)):
# 由长为m的元素生成长为m+1的元素
Hmp1 = aprioriGen(H, m + 1)
Hmp1 = calcConf(freqSet, Hmp1, supportData, brl, minConf)
if (len(Hmp1) > 1): #只有大于一个元素才能组合成更长的元素
rulesFromConseq(freqSet, Hmp1, supportData, brl, minConf)