【Python数据挖掘课程】八.关联规则挖掘及Apriori实现购物推荐

? ? ? ? 关联规则对购物篮进行挖掘，通常采用两个步骤进行：
? ? ? ? a.找出所有频繁项集（文章中我使用Apriori算法>=最小支持度的项集）
? ? ? ? b.由频繁项集产生强关联规则，这些规则必须大于或者等于最小支持度和最小置信度。
? ? ? ? 下面将通超市购物的例子对关联规则挖掘Apriori算法进行分析。

? ? ? ? Apriori算法是一种对有影响的挖掘布尔关联规则频繁项集的算法，通过算法的连接和剪枝即可挖掘频繁项集。
? ? ? ? Apriori算法将发现关联规则的过程分为两个步骤：
? ? ? ? 1.通过迭代，检索出事务数据库中的所有频繁项集，即支持度不低于用户设定的阈值的项集；
? ? ? ? 2.利用频繁项集构造出满足用户最小置信度的规则。
? ? ? ? 挖掘或识别出所有频繁项集是该算法的核心，占整个计算量的大部分。?

? ? ? ? 补充频繁项集相关知识：
? ? ? ? K-项集：指包含K个项的项集；
? ? ? ? 项集的出现频率：指包含项集的事务数，简称为项集的频率、支持度计数或计数；
? ? ? ? 频繁项集：如果项集的出现频率大于或等于最小支持度计数阈值，则称它为频繁项集，其中频繁K-项集的集合通常记作L_k。
? ? ? ? 下面直接通过例子描述该算法：如下图所示，使用Apriori算法关联规则挖掘数据集中的频繁项集。（最小支持度计数为2）

? ? ? ? 具体过程如下所示：

? ? ? ? 具体分析结果：
? ? ? ? 第一次扫描：对每个候选商品计数得C1，由于候选{D}支持度计数为1<最小支持度计数2，故删除{D}得频繁1-项集合L1；
? ? ? ? 第二次扫描：由L1产生候选C2并对候选计数得C2，比较候选支持度计数与最小支持度计数2得频繁2-项集合L2；
? ? ? ? 第三次扫描：用Apriori算法对L2进行连接和剪枝产生候选3项集合C3的过程如下：
? ? ? ? 1.连接：
? ? ? ? C3=L2

三. 举例：频繁项集产生强关联规则

（编辑：ASP站长）

【免责声明】本站内容转载自互联网，其相关言论仅代表作者个人观点绝非权威，不代表本站立场。如您发现内容存在版权问题，请提交相关链接至邮箱：bqsm@foxmail.com，我们将及时予以处理。