（4）数据挖掘算法之Apriori

1. 关联分析

关联分析是一类非常有用的数据挖掘方法，能从数据中挖掘出潜在的关联关系。比如，在著名的购物篮事务（market basket transactions）问题中，

TID	Iterms
1	{Bread, Milk}
2	{Bread, Diapers, Beer, Eggs}
3	{Milk, Diapers, Beer, Cola}
4	{Bread, Milk, Diapers, Beer}
5	{Bread, Milk, Beer, Cola}

关联分析则被用来找出此类规则：顾客在买了某种商品时也会买另一种商品。在上述例子中，大部分都知道关联规则：{Diapers} → {Beer}；即顾客在买完尿布之后通常会买啤酒。后来通过调查分析，原来妻子嘱咐丈夫给孩子买尿布时，丈夫在买完尿布后通常会买自己喜欢的啤酒。但是，如何衡量这种关联规则是否靠谱呢？下面给出了度量标准。

支持度与置信度

关联规则可以描述成：项集 → 项集。项集  

出现的事务次数（亦称为support count）定义为：

       

其中，    

表示某个事务（TID），   表示事务的集合。关联规则  

的支持度（support）：

    

支持度刻画了项集  

的出现频次。置信度（confidence）定义如下：

    

对概率论稍有了解的人，应该看出来：置信度可理解为条件概率  

，度量在已知事务中包含了   时包含  

的概率。

对于靠谱的关联规则，其支持度与置信度均应大于设定的阈值。那么，关联分析问题即等价于：对给定的支持度阈值min_sup、置信度阈值min_conf，找出所有的满足下列条件的关联规则：

   支持度 置信度   

把支持度大于阈值的项集称为频繁项集（frequent itemset）。因此，关联规则分析可分为下列两个步骤：

• 生成频繁项集  

• ；
• 在频繁项集   中，找出所有置信度大于最小置信度的关联规则  
  • 。

  暴力方法

  若（对于所有事务集合）项的个数为  

  ，则所有关联规则的数量：

                                                       

  如果采用暴力方法，穷举所有的关联规则，找出符合要求的规则，其时间复杂度将达到指数级。因此，我们需要找出复杂度更低的算法用于关联分析。

  2. Apriori算法

  Agrawal与Srikant提出Apriori算法，用于做快速的关联规则分析。

  频繁项集生成

  根据支持度的定义，得到如下的先验定理：

  • 定理1：如果一个项集是频繁的，那么其所有的子集（subsets）也一定是频繁的。

  这个比较容易证明，因为某项集的子集的支持度一定不小于该项集。

  • 定理2：如果一个项集是非频繁的，那么其所有的超集（supersets）也一定是非频繁的。

  定理2是上一条定理的逆反定理。根据定理2，可以对项集树进行如下剪枝：
  

  项集树共有项集数：          

  。显然，用穷举的办法会导致计算复杂度太高。对于大小为   的频繁项集     ，如何计算大小为   的频繁项集    

  呢？Apriori算法给出了两种策略：

  1.        

  方法。之所以没有选择     与（所有）1项集生成     ，是因为为了满足定理2。下图给出由频繁项集     与     生成候选项集    

• ：
  

•        

  方法。选择前   项均相同的     进行合并，生成     。当然，     的所有     都是有序排列的。之所以要求前   项均相同，是因为为了确保     的   项都是频繁的。下图给出由两个频繁项集     生成候选项集    

  2. ：
     

  生成频繁项集    

  的算法如下：

  

  关联规则生成

  关联规则是由频繁项集生成的，即对于    

  ，找出项集     ，使得规则        

  的置信度大于置信度阈值。同样地，根据置信度定义得到如下定理：

  定理3：如果规则  

  不满足置信度阈值，则对于   的子集     ，规则      

  也不满足置信度阈值。

  根据定理3，可对规则树进行如下剪枝：

  

  关联规则的生成算法如下：

  

  3. 参考资料

  [1] Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining.