Aprior算法

Posted 2020-12-24 zhibei

Aprior算法

优点：易编码实现

缺点：在大数据集上可能较慢

适用数据类型：数值型或者标称型数据。

关联分析是一种在大规模数据集中寻找有趣关系的任务，这些关系可以有两种形式：频繁项集或者这关联规则。

频繁项集是经常出现在一块的物品集合，关联规则暗示两种物品之间可能存在很强的关系。

一个项集的支持度被定义为数据集中包含该项集的记录所占的比例。

支持度是针对项集来说的，因此可以定义一个最小支持度，而只保留满足最小支持度的项集。

Apriori算法的一般流程

收集数据：适用任意方法。准备数据：任何数据类型都可以，因为我们只保存集合

分析数据：适用任意方法。训练数据：适用Aprioro算法来找到频繁项集。

测试算法：不需要测试过程。使用算法：用于发现频繁项集以及物品之间的关联规则。

Apriori算法的两个输入参数分别是最小支持度和数据集。该算法首先会生成所有单个物品的项集列表。接着骚猫交易记录来查看哪些项集满足最小支持度要求，那些不满足最小支持度的集合会被去掉。然后，对剩下来的集合进行组合以生成包含两个元素的项集。接下来，再重新扫描交易记录，去掉不满足最小支持度的项集。该过程重复进行直到所有项集都被去掉。

整个Apriori算法的伪代码如下：

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项组成的候选项集列表。

关联分析时用于发现大数据集中元素间有趣关系的一个工具集，可以采用两种方式来量化这些有趣的关系，第一种方式是使用频繁项集，他会给出经常在一起出现的元素项。第二种方式是关联规则，每条关联规则就意味着元素项之间的“如果...那么”关系。

发现元素项之间不同组合是个十分耗时的任务，不可避免需要大量昂贵的计算资源，这就需要一些更加智能的方法在合理的时间范围内找到频繁项集，能够实现这一目标的一个方法是Apriori算法，它使用Apriori原理来减少在数据库上进行检查的集合的数目。Apriori原理试说如果一个元素项是不频繁的，那么那些包含该元素的超集也是不频繁的。Apriori算法从氮元素集开始，通过组合满足最小支持度要求的项集来形成更大的集合。支持度用来度量一个集合在原始数据中出现的频率。