本文总结了关联规则算法中的Apriori和FP Growth算法，包括它们的原理、优缺点以及实现方式。Apriori算法基于先验性质，但存在大量候选集生成的问题。FP Growth算法则通过构建FP树优化了这一过程，只需扫描数据两次。这两种算法在数据挖掘中有广泛应用，如商品推荐、入侵检测等。
关联规则算法总结
文章目录
一、Apriori、FP Growth算法原理：
频繁项集的评估标准有：
1.1 Apriori算法原理
频繁项集： 是支持值大于阈值（support）的项集。
关联分析的目的：
- 发现频繁项集：发现满足最小支持度的所有项集；
- 发现关联规则：从频繁项集中提取所有高置信度的规则。
Apriori算法就是基于一个先验：
- 如果某个项集是频繁的，那么它的所有子集也是频繁的；
- 如果一个集合不是频繁项集，则它的所有父集（超集）都不是频繁项集。
Apriori算法流程：
输入：数据集合D，支持度阈值𝛼
输出：最大的频繁k项集
（1）扫描整个数据集，得到所有出现过的数据，作为候选频繁1项集。k=1，频繁0项集为空集。
（2）挖掘频繁k项集：
a) 扫描数据计算候选频繁k项集的支持度；
b) 去除候选频繁k项集中支持度低于阈值的数据集,得到频繁k项集。如果得到的频繁k项集为空，则直接返回频繁k-1项集的集合作为算法
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
