Apriori算法简介

45 阅读 0 评论 30 点赞

我是靠谱客的博主朴素微笑，最近开发中收集的这篇文章主要介绍Apriori算法简介，觉得挺不错的，现在分享给大家，希望可以做个参考。

本博客不再更新，更多精彩内容请访问我的独立博客

Apriori算法

Apriori算法步骤：

1.Apriori算法：使用候选项集找频繁项集

2.由频繁项集产生关联规则

例：设A=足球服，B=足球鞋， C=足球。某网上商城的销售情况如下：

不关心商品的销量，只关心商品间的关联度

基本概念

支持度： 设W 中有s ％的事务同时支持物品集A 和B，s ％称为关联规则A→B 的支持度。

例如：A的支持度=60% A→B 的支持度 = 40%

Apriori算法：找频繁项集：

1、在第一轮循环中，所有1项目（只有1项）集是候选项目集，从中筛选出
支持度>最小支持度的项目放入频繁项目集
2、在第二轮循环中，只有频繁1项目组成的2项目才是候选项目，从中筛选出
支持度>最小支持度的2项目放入频繁项目集。
3、继续循环，直至n轮循环，所有的频繁项目选出，频繁项目集形成。

设最小支持度为30%
（1）1项目候选项：A 、 B 、 C
支持度： 60% 60% 40%
所以频繁项目集：进入下一轮单项：
{A 、B、C} {A 、B、C}

（2）2项目候选项：AB 、BC、AC
支持度：40% 20% 20%
所以频繁项目集：进入下一轮单项：
{A 、B、C、AB} {A, B}

（3）3项目候选项：无
算法终止
所以频繁项目集：
{A 、B、C、AB}

由频繁项集产生关联规则

可信度：它是针对规则而言的。指在出现了物品集A 的事务T 中，物品集B 也同时出现的概率有多大。
可信度=p（condition and result）/p（condition）

兴趣度：物品集A 的出现对物品集B 的出现有多大的影响。
兴趣度=p(condition and result)/p(condition)*p(result)。
——当兴趣度大于1的时候，这条规则就是比较好的；
——当兴趣度小于1的时候，这条规则就是没有很大意义的。

例：规则1：if A THEN B , 可信度？
可信度= （A和B）/ A = 40% / 60% = 67%

规则2：if A THEN C , 可信度？
可信度= （A和C）/ A = 20% / 60% = 33%

规则3：if A THEN B , 兴趣度？
兴趣度= （A和B）/ （A*B） = 40% / （60% * 60%）= 1.11 > 1 有意义

规则4：if A THEN C , 兴趣度？
兴趣度= （A和C）/ （A*C） = 20% / （60% * 40%）= 0.83 < 1

以上就是朴素微笑为你收集整理的Apriori算法简介的全部内容，希望文章能够帮你解决Apriori算法简介所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。

本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。