關聯規則演算法

❶ 關聯規則演算法怎麼刻畫相似度

關聯規則原始的定義裡面並沒有相似度的概念
只有支持度和置信度，
支持度 (A->B )=P(AB) 就是AB出現的概率
支持度 (A->B )=P(B|A) 就是A發生條件下B發生的概率。
相似度公式cosine (A->B) = P(AB)/√P(A)P(B)
不知道是不是你要的

❷ 關聯規則apriori演算法用什麼軟體做

1.1 什麼是關聯規則
一言蔽之，關聯規則是形如X→Y的蘊涵式，表示通過X可以推導「得到」Y，其中X和Y分別稱為關聯規則的先導(antecedent或left-hand-side, LHS)和後繼(consequent或right-hand-side, RHS)
1.2 如何量化關聯規則
關聯規則挖掘的一個典型例子便是購物車分析。通過關聯規則挖掘能夠發現顧客放入購物車中的不同商品之間的關聯，分析顧客的消費習慣。這種關聯規則的方向能夠幫助賣家了解哪些商品被顧客頻繁購買，從而幫助他們開發更好的營銷策略。比如：將經常同時購買的商品擺近一些，以便進一步刺激這些商品一起銷售；或者，將兩件經常同時購買的商品擺遠一點，這樣可能誘發買這兩件商品的用戶一路挑選其他商品。
在數據挖掘當中，通常用「支持度」（support）和「置性度」（confidence）兩個概念來量化事物之間的關聯規則。它們分別反映所發現規則的有用性和確定性。比如：
Computer => antivirus_software , 其中 support=2%, confidence=60%
表示的意思是所有的商品交易中有2%的顧客同時買了電腦和殺毒軟體，並且購買電腦的顧客中有60%也購買了殺毒軟體。在關聯規則的挖掘過程中，通常會設定最小支持度閾值和最小置性度閾值，如果某條關聯規則滿足最小支持度閾值和最小置性度閾值，則認為該規則可以給用戶帶來感興趣的信息。
1.3 關聯規則挖掘過程
1）幾個基本概念：
關聯規則A->B的支持度support=P(AB)，指的是事件A和事件B同時發生的概率。
置信度confidence=P(B|A)=P(AB)/P(A),指的是發生事件A的基礎上發生事件B的概率。
同時滿足最小支持度閾值和最小置信度閾值的規則稱為強規則。
如果事件A中包含k個元素，那麼稱這個事件A為k項集，並且事件A滿足最小支持度閾值的事件稱為頻繁k項集。
2）挖掘過程：
第一，找出所有的頻繁項集；
第二，由頻繁項集產生強規則。
2． 什麼是Apriori
2.1 Apriori介紹
Apriori演算法使用頻繁項集的先驗知識，使用一種稱作逐層搜索的迭代方法，k項集用於探索(k+1)項集。首先，通過掃描事務（交易）記錄，找出所有的頻繁1項集，該集合記做L1，然後利用L1找頻繁2項集的集合L2，L2找L3，如此下去，直到不能再找到任何頻繁k項集。最後再在所有的頻繁集中找出強規則，即產生用戶感興趣的關聯規則。
其中，Apriori演算法具有這樣一條性質：任一頻繁項集的所有非空子集也必須是頻繁的。因為假如P(I)< 最小支持度閾值，當有元素A添加到I中時，結果項集（A∩I）不可能比I出現次數更多。因此A∩I也不是頻繁的。
2.2 連接步和剪枝步
在上述的關聯規則挖掘過程的兩個步驟中，第一步往往是總體性能的瓶頸。Apriori演算法採用連接步和剪枝步兩種方式來找出所有的頻繁項集。
1） 連接步
為找出Lk（所有的頻繁k項集的集合），通過將Lk-1（所有的頻繁k-1項集的集合）與自身連接產生候選k項集的集合。候選集合記作Ck。設l1和l2是Lk-1中的成員。記li[j]表示li中的第j項。假設Apriori演算法對事務或項集中的項按字典次序排序，即對於（k-1）項集li，li[1]<li[2]<……….<li[k-1]。將Lk-1與自身連接，如果(l1[1]=l2[1])&&( l1[2]=l2[2])&&……..&& (l1[k-2]=l2[k-2])&&(l1[k-1]<l2[k-1])，那認為l1和l2是可連接。連接l1和l2 產生的結果是{l1[1],l1[2],……,l1[k-1],l2[k-1]}。
2） 剪枝步
CK是LK的超集，也就是說，CK的成員可能是也可能不是頻繁的。通過掃描所有的事務（交易），確定CK中每個候選的計數，判斷是否小於最小支持度計數，如果不是，則認為該候選是頻繁的。為了壓縮Ck,可以利用Apriori性質：任一頻繁項集的所有非空子集也必須是頻繁的，反之，如果某個候選的非空子集不是頻繁的，那麼該候選肯定不是頻繁的，從而可以將其從CK中刪除。
（Tip：為什麼要壓縮CK呢？因為實際情況下事務記錄往往是保存在外存儲上，比如資料庫或者其他格式的文件上，在每次計算候選計數時都需要將候選與所有事務進行比對，眾所周知，訪問外存的效率往往都比較低，因此Apriori加入了所謂的剪枝步，事先對候選集進行過濾，以減少訪問外存的次數。）

❸ 關聯規則演算法的關聯規則的定義

所謂關聯，反映的是一個事件和其他事件之間依賴或關聯的知識。當我們查找英文文獻的時候，可以發現有兩個英文詞都能形容關聯的含義。第一個是相關性relevance，第二個是關聯性association，兩者都可以用來描述事件之間的關聯程度。
設I={i1,i2…,im}為所有項目的集合，設A是一個由項目構成的集合，稱為項集。事務T是一個項目子集,每一個事務具有唯一的事務標識Tid。事務T包含項集A，當且僅當AT。如果項集A中包含k個項目，則稱其為k項集。D為事務資料庫，項集A在事務資料庫D中出現的次數佔D中總事務的百分比叫做項集的支持度（support）。如果項集的支持度超過用戶給定的最小支持度閾值，就稱該項集是頻繁項集（或大項集）。
關聯規則就是形如XY的邏輯蘊含關系，其中XI，YI且XY=Φ，X稱作規則的前件，Y是結果，對於關聯規則XY，存在支持度和信任度。
支持度是指規則中所出現模式的頻率，如果事務資料庫有s%的事務包含XY，則稱關聯規則XY在D中的支持度為s%，實際上，可以表示為概率P（XY），即support（XY）= P（XY）。信任度是指蘊含的強度，即事務D中c%的包含X的交易同時包含XY。若X的支持度是support(x)，規則的信任度為即為：support(XY)/support(X)，這是一個條件概率P（Y|X），即confidence（XY）= P（Y|X）。

❹ 簡述一種關聯規則挖掘演算法基本過程。《數據挖掘》作業題追分100

Apriori演算法是一種發現頻繁項集的基本演算法。演算法使用頻繁項集性質的先驗知識。Apriori演算法使用一種稱為逐層搜索的迭代方法，其中K項集用於探索(k+1)項集。首先，通過掃描資料庫，累計每個項的計數，並收集滿足最小支持度的項，找出頻繁1項集的集合。該集合記為L1.然後，使用L1找出頻繁2項集的集合L2，使用L2找到L3，如此下去，直到不能再找到頻繁k項集。
Apriori演算法的主要步驟如下：
(1)掃描事務資料庫中的每個事務，產生候選1．項集的集合Cl；
(2)根據最小支持度min_sup，由候選l-項集的集合Cl產生頻繁1一項集的集合Ll；
(3)對k=l；
(4)由Lk執行連接和剪枝操作，產生候選(k+1)．項集的集合Ck+l-
(5)根據最小支持度min_sup，由候選(k+1)一項集的集合Ck+l產生頻繁(k+1)-項
集的集合Lk+1．
(6)若L⋯≠①，則k．k+1，跳往步驟(4)；否則，跳往步驟(7)；
(7)根據最小置信度min_conf,由頻繁項集產生強關聯規則，結束。

❺ 關聯規則是什麼

關聯規則是形如X→Y的蘊涵式，其中， X和Y分別稱為關聯規則的先導(antecedent或left-hand-side, LHS)和後繼(consequent或right-hand-side, RHS) 。其中，關聯規則XY，存在支持度和信任度。

關聯規則最初提出的動機是針對購物籃分析(Market Basket Analysis)問題提出的。假設分店經理想更多的了解顧客的購物習慣。特別是，想知道哪些商品顧客可能會在一次購物時同時購買；

為回答該問題，可以對商店的顧客事物零售數量進行購物籃分析。該過程通過發現顧客放入「購物籃」中的不同商品之間的關聯，分析顧客的購物習慣。這種關聯的發現可以幫助零售商了解哪些商品頻繁的被顧客同時購買，從而幫助他們開發更好的營銷策略。

關聯規則研究

由於許多應用問題往往比超市購買問題更復雜，大量研究從不同的角度對關聯規則做了擴展，將更多的因素集成到關聯規則挖掘方法之中，以此豐富關聯規則的應用領域，拓寬支持管理決策的范圍。

如考慮屬性之間的類別層次關系，時態關系，多表挖掘等。圍繞關聯規則的研究主要集中於兩個方面，即擴展經典關聯規則能夠解決問題的范圍，改善經典關聯規則挖掘演算法效率和規則興趣性。

❻ 怎樣生成數據挖掘的數據集,使用數據集進行關聯規則Apriori演算法，只想要純數據集，我想用VF編程實現挖掘。

當你把整個文件打開的時候說明文件已經被load到內存里了。所以請檢查你的內存是否夠大，或者虛擬內存太小。 按理來說T10I4D100K.dat是很小的一個文件，雖然有10W行，但寬度很小啊。 建議你把虛擬內存調大一點，關閉其他佔用大量內存的程序，例如IE，等等。 再么就是看看你的程序是否設計合理。這點兒數據根本不能算做大數據集。 over!

❼ 數據挖掘中的Hotspot關聯規則

3. HotSpot關聯規則樹的節點定義說明：
由於這里增加了連續型屬性數據，所以針對單個節點需增加一個布爾型變數lessThan，用於指明是要大於或者小於該節點數據，同時stateIndex應該是一個數值了（當前節點的值），而不是離散型數據狀態的下標了。