Apriori算法(频繁集发现以及关联分析)

2024-03-30 18:18

本文主要是介绍Apriori算法(频繁集发现以及关联分析),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

        我们在网上购物的时候都会收到一些相关产品的推荐,这些被推荐的东西是怎么来的呢?如果我们买了一个鱼竿,那么推荐鱼线,鱼饵什么的是很正常的,毕竟这些产品都是相关性比较大的,收到推荐也不足为奇;但是仅限于此吗?之前不是有个很出名的例子,啤酒和尿布的例子,在没被发现这个规律之前,谁能想到他们两个有一定的联系?所以除过去那些关联性特别明显的东西,还有许多隐藏的有相关性的关系被隐藏在大量的数据之下。所以,从大规模数据集中寻找物品间的隐含关系被称作为关联分析或者关联规则学习。

        关联分析也可以用于特征的发现,发现某些事情的共性规则,即同时有哪些特征出现,例如发现毒蘑菇的共同特征。

1.关联分析

        关联分析是一种在在大规模数据集中寻找有趣关系的任务。这些关系可以分为两种形式:频繁项集合关联规则。       

        频繁项集:是经常出现在一块儿的物品的集合;

        关联规则:暗示两种物品之间可能存在很强的关系。

        表1是一个购物清单

                                                                    表1

交易号码

商品

0

豆奶,莴苣

1

莴苣,尿布,葡萄酒,甜菜

2

豆奶,尿布,葡萄酒,橙汁

3

莴苣,豆奶,尿布,葡萄酒

4

莴苣,豆奶,尿布,橙汁

        频繁项集是指那些经常出现在一起的物品集合,如表1中的{尿布,葡萄酒}就是一个很好的例子,就是说人们经常会把尿布和葡萄酒一起购买。

        我们用支持度来衡量这个集合出现的频繁度,它被定义为数据集中宝行该项集的记录所占的比例。从表1中可以得到,{豆奶}的支持度为4/5,有3条包含{豆奶,尿布}的记录,一次{豆奶,尿布}的支持度为3/5,因此我们可以指定一个支持度,从而过滤掉那些支持度小的集合。

        可信度或者说是置信度是针对一条诸如{尿布}->{葡萄酒}的关联规则定义的,有很强的方向性,箭头反过来就不一定成立。上面箭头关联规则可定义为:支持度({尿布,葡萄酒})/支持度({尿布}),{尿布,葡萄酒}的支持度为3/5,尿布的支持度为4/5,所以{尿布}->{葡萄酒}的可信度为3/4=0.75。可以这么理解:尿布和葡萄酒同时出现的概率比上尿布单独出现的概率,即在尿布出现的情况下,葡萄酒出现的概率,从而衡量尿布出现的情况下,葡萄酒出现可能性的大小。

2.Apriori原理

        在进行频繁集发现的时候,我们需要从小的集合开始,为什么呢?我们看图2:

 

                                                              图2

        假如我们有4样商品,那么进行不同大小的集合的组合,一共有15种组合方式,那我们就需要进行15次的判断。那么有N种商品,我们就需要2的N次方-1种的组合,那么这种指数级的增长必定会加大运算量,所以我们需要想办法减少判断的组合。

        假设我们从小集合开始判断,判断出{3}的支持度比较低,也就是在样本数据中出现3的次数比较少,那么12,13,23…等组合都是包括3的,那么他们的支持度是不会比3大的,也就是说如果小集合的支持度比较小,那么包含小集合的大集合也就不需要判断了,那么这就大大减少了判断的成本,也就降低了计算成本。所以我们就可以运用这个原理来发现频繁集。

3.使用Apriori算法来发现频繁集

        Apriori算法使用Apriori原理来发现频繁集。我们需要输入最小支持度和数据集,通过最小支持度对数据集进行过滤,得到频繁集。

        我们首先

这篇关于Apriori算法(频繁集发现以及关联分析)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/862226

相关文章

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

poj 3974 and hdu 3068 最长回文串的O(n)解法(Manacher算法)

求一段字符串中的最长回文串。 因为数据量比较大,用原来的O(n^2)会爆。 小白上的O(n^2)解法代码:TLE啦~ #include<stdio.h>#include<string.h>const int Maxn = 1000000;char s[Maxn];int main(){char e[] = {"END"};while(scanf("%s", s) != EO

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

dp算法练习题【8】

不同二叉搜索树 96. 不同的二叉搜索树 给你一个整数 n ,求恰由 n 个节点组成且节点值从 1 到 n 互不相同的 二叉搜索树 有多少种?返回满足题意的二叉搜索树的种数。 示例 1: 输入:n = 3输出:5 示例 2: 输入:n = 1输出:1 class Solution {public int numTrees(int n) {int[] dp = new int

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者