1.理論知識

Apriori是一種常用的數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘方法，它可以用來找出數(shù)據(jù)集中頻繁出現(xiàn)的數(shù)據(jù)集合。該算法第一次實(shí)現(xiàn)在大數(shù)據(jù)集上的可行的關(guān)聯(lián)規(guī)則提取，其核心思想是通過連接產(chǎn)生候選項(xiàng)及其支持度，然后通過剪枝生成頻繁項(xiàng)集。

Apriori算法的主要思想是找出存在于事務(wù)數(shù)據(jù)集中最大的頻繁項(xiàng)集，再利用得到的最大頻繁項(xiàng)集與預(yù)先設(shè)定的最小置信度閾值生成強(qiáng)關(guān)聯(lián)規(guī)則。

圖1.1關(guān)鍵名詞解釋

---

2.算法流程圖

3.實(shí)現(xiàn)代碼

def item(dataset):  # 求第一次掃描數(shù)據(jù)庫后的 候選集c1 = []  # 存放候選集元素for x in dataset:  # 求這個數(shù)據(jù)庫中出現(xiàn)了幾個元素，然后返回for y in x:if [y] not in c1:c1.append([y])c1.sort()return c1# 計算支持度
def get_frequent_item(dataset, c, min_support):cut_branch = {}  # 用來存放所有項(xiàng)集的支持度的字典for x in c:for y in dataset:if set(x).issubset(set(y)):cut_branch[tuple(x)] = cut_branch.get(tuple(x),0) + 1Fk = []  # 支持度大于最小支持度的項(xiàng)集，  即頻繁項(xiàng)集sup_dataK = {}  # 用來存放所有 頻繁 項(xiàng)集的支持度的字典for i in cut_branch:if cut_branch[i] >= min_support:Fk.append(list(i))sup_dataK[i] = cut_branch[i]return Fk, sup_dataK# 計算候選集
def get_candidate(Fk, K):  # 求第k次候選集ck = []  # 存放產(chǎn)生候選集for i in range(len(Fk)):for j in range(i + 1, len(Fk)):L1 = list(Fk[i])[:K - 2].sort()L2 = list(Fk[j])[:K - 2].sort()if L1 == L2:if K > 2:new = list(set(Fk[i]) ^ set(Fk[j]))else:new = set()for x in Fk:if set(new).issubset(set(x)) and list(set(Fk[i]) | set(Fk[j])) not in ck:ck.append(list(set(Fk[i]) | set(Fk[j])))return ck# Apriori算法
def Apriori(dataset, min_support=2):c1 = item(dataset)f1, sup_1 = get_frequent_item(dataset, c1, min_support)F = [f1]sup_data = sup_1K = 2while len(F[K - 2]) > 1:ck = get_candidate(F[K - 2], K)  # 求第k次候選集fk, sup_k = get_frequent_item(dataset, ck, min_support)F.append(fk)  # 把新產(chǎn)生的候選集假如Fsup_data.update(sup_k)  # 字典更新，加入新得出的數(shù)據(jù)K += 1return F, sup_data  # 返回所有頻繁項(xiàng)集， 以及存放頻繁項(xiàng)集支持度的字典"""
Apriori算法
定義A 1,   B 2,   C 3,   D 4,   E 51 [A C D]       1 3 4
2 [B C E]       2 3 5
3 [A B C E]     1 2 3 5
4 [B E]         2 5min_support = 2 
"""
# 主函數(shù)
if __name__ == '__main__':# 數(shù)據(jù)dataset = [[1, 3, 4],[2, 3, 5],[1, 2, 3, 5],[2, 5]]# 最小支持度設(shè)置為2min_support = 2F, sup_data = Apriori(dataset, min_support)print("最小支持度為:\n ", min_support)print('------------------------------------------------------')print("已知關(guān)系:\n ", dataset)print('------------------------------------------------------')print("所有的頻繁項(xiàng)為:\n {}".format(F))print('------------------------------------------------------')print("對應(yīng)的支持度為:\n {}".format(sup_data))

4.實(shí)驗(yàn)結(jié)果

---

測試數(shù)據(jù)

表1?Apriori算法輸入的數(shù)據(jù) (最小支持度設(shè)置為2)

序號	數(shù)據(jù)項(xiàng)	替換
1	[A?C?D]	1?3?4
2	[B?C?E]	2?3?5
3	[A?B?C?E]	1?2?3?5
4	[B?E]	2?5

---

實(shí)驗(yàn)結(jié)果與分析

圖 1.2 Apriori關(guān)聯(lián)規(guī)則算法實(shí)驗(yàn)結(jié)果

---

算法優(yōu)缺點(diǎn)

優(yōu)點(diǎn)：

1. Aprioi算法采用逐層搜索的迭代方法，算法簡單易于實(shí)現(xiàn)。
2. 數(shù)據(jù)采用水平組織方式
3. 采用Apriori 優(yōu)化方法
4. 適合事務(wù)數(shù)據(jù)庫的關(guān)聯(lián)規(guī)則挖掘。
5. 適合稀疏數(shù)據(jù)集:根據(jù)以往的研究,該算法只能適合稀疏數(shù)據(jù)集的關(guān)聯(lián)規(guī)則挖掘，也就是頻繁項(xiàng)目集的長度稍小的數(shù)據(jù)集。

缺點(diǎn)：

1. 對數(shù)據(jù)庫的掃描次數(shù)過多。
2. Apion算法可能產(chǎn)生大量的候選項(xiàng)集。
3. 在頻繁項(xiàng)目集長度變大的情況下,運(yùn)算時間顯著增加。
4. 采用唯一支持度,沒有考慮各個屬性重要程度的不同。
5. 算法的適應(yīng)面窄。

?其他實(shí)驗(yàn)（我是芒果醬點(diǎn)一個關(guān)注吧(σ′▽‵)′▽‵)σ）

• k-Means聚類算法 HNUST【數(shù)據(jù)分析技術(shù)】(2024)-CSDN博客
• PageRank Web頁面分級算法 HNUST【數(shù)據(jù)分析技術(shù)】(2024)-CSDN博客
• KNN分類算法 HNUST【數(shù)據(jù)分析技術(shù)】(2024)-CSDN博客
• Apriori關(guān)聯(lián)規(guī)則算法 HNUST【數(shù)據(jù)分析技術(shù)】(2024)-CSDN博客