r語言apriori演算法

A. r apriori演算法結果怎麼看

演算法：Apriori
輸入：D - 事務資料庫；min_sup - 最小支持度計數閾值
輸出：L - D中的頻繁項集
方法：
L1=find_frequent_1-itemsets(D); // 找出所有頻繁1項集
For(k=2;Lk-1!=null;k++){
Ck=apriori_gen(Lk-1); // 產生候選，並剪枝
For each 事務t in D{ // 掃描D進行候選計數
Ct =subset(Ck,t); // 得到t的子集
For each 候選c 屬於 Ct
c.count++;
}
Lk={c屬於Ck | c.count>=min_sup}
}
Return L=所有的頻繁集；

Procere apriori_gen(Lk-1:frequent(k-1)-itemsets)
For each項集l1屬於Lk-1
For each項集 l2屬於Lk-1
If((l1[1]=l2[1])( l1[2]=l2[2])……..
(l1[k-2]=l2[k-2])(l1[k-1]<l2[k-1])) then{
c=l1連接l2 //連接步：產生候選
if has_infrequent_subset(c,Lk-1) then
delete c; //剪枝步：刪除非頻繁候選
else add c to Ck;
}
Return Ck;

Procere has_infrequent_sub(c:candidate k-itemset; Lk-1:frequent(k-1)-itemsets)
For each(k-1)-subset s of c
If s不屬於Lk-1 then
Return true;
Return false;

B. apriori演算法有多少種修改版

2 FAA演算法思想
2.1 鏈表數組定義及生成演算法。鏈表數組定義：數組為n個指針的一維數組P[n]，對應資料庫中的頻繁項I1，I2，…，In，對應數組長度n為資料庫中頻繁項的數量。結點為事務結點，分為事務域、計數域和指針域。事務域是以頻繁項為後綴的事務編碼。計數域是該事務編碼的數量，指針域是指向下一結點的指針。
編碼方法：設資料庫中有n個頻繁項I1，I2，…，In。事務t的編碼就是長度為n的0、1位串。在t中出現的項，其相應位置用1表示，否則填0。例如，有四個頻繁項a，b，c，d。那麼，一個包含a和c的事務就被映射為1010。
鏈表數組的構造過程如下：（1）掃描事務資料庫，產生所有頻繁1-項集及支持度計數，依據支持度計數降序排列，生成FI-List。（2）再次掃描資料庫，將每條記錄中不滿足最小支持度計數的項刪除，並將剩餘項按照FI-List重新排序。設形成的新序列為{m1，m2，…，mn}，依次取出序列中的前k（1≤k≤n）項組成子序列{m1，m2，…，mk}，對每個子序列進行編碼並建立一個與之對應的事務結點，並按照子序列中最後一項追加到P[n]中相應鏈上。

C. apriori演算法用什麼程序實現

你說的是什麼語言吧，這樣問也不對，既然是演算法，那麼用什麼語言都能實現。

D. 如何提高apriori演算法的效率

Apriori演算法是關聯規則挖掘中的經典演算法。在Apriori演算法中,使用頻繁項集的先驗知識,逐層搜索的迭代方法,通過掃描資料庫,累積每個項的計數,並收集滿足最小支持度的項,找每個Lk都需要掃描一次資料庫。演算法的效率隨著數據量的增大,頻繁項集的增多,演算法的效率就非常的低,本文通過對Apriori演算法分析,應用散列、事務壓縮、劃分、抽樣等方法,最大可能的減少資料庫掃描的次數,快速發現頻繁項集,提高Apriori演算法的效率。

E. apriori演算法是什麼

經典的關聯規則挖掘演算法包括Apriori演算法和FP-growth演算法。

apriori演算法多次掃描交易資料庫，每次利用候選頻繁集產生頻繁集；而FP-growth則利用樹形結構，無需產生候選頻繁集而是直接得到頻繁集，大大減少掃描交易資料庫的次數，從而提高了演算法的效率，但是apriori的演算法擴展性較好，可以用於並行計算等領域。

基本演算法：

Apriori algorithm是關聯規則里一項基本演算法

Apriori演算法將發現關聯規則的過程分：

第一通過迭代，檢索出事務資料庫1中的所有頻繁項集，即支持度不低於用戶設定的閾值的項集；

第二利用頻繁項集構造出滿足用戶最小信任度的規則。其中，挖掘或識別出所有頻繁項集是該演算法的核心，占整個計算量的大部分。

F. Apriori演算法 數據挖掘

我想weka應該很適合你吧^^

用來跑一跑自己的演算法或者直接用它的api做二次開發都是很方便的，比如你提到的~只是原始演算法和自己演算法的對比一下是不難實現的，在自己的代碼里分別初始化兩個演算法對象模型，一起training一起testing，最後把得出的結果放一起就行了。至於圖形界面怎麼組織就按自己的需要做就好啦。

如果不想寫代碼的話就用weka自己的圖形界面weka explorer或者work flow跑幾遍也行，因為weka自己的圖形化表示已經很多樣很直觀啦^^

推薦一本書的話就是這個啦：
Data Mining: Practical Machine Learning Tools and Techniques (Second Edition) 作者是Ian Witten
就是weka的配套教材啦，例子很豐富，由淺入深的，很好上手的。

有進一步的問題就去weka list里找答案吧，很棒的討論組，起碼對我幫助很大（連接在參考資料里）。

希望對你有幫助^^

G. Apriori演算法是什麼適用於什麼情境

經典的關聯規則挖掘演算法包括Apriori演算法和FP-growth演算法。apriori演算法多次掃描交易資料庫，每次利用候選頻繁集產生頻繁集；而FP-growth則利用樹形結構，無需產生候選頻繁集而是直接得到頻繁集，大大減少掃描交易資料庫的次數，從而提高了演算法的效率。但是apriori的演算法擴展性較好，可以用於並行計算等領域。

Apriori algorithm是關聯規則里一項基本演算法。是由Rakesh Agrawal和Ramakrishnan Srikant兩位博士在1994年提出的關聯規則挖掘演算法。關聯規則的目的就是在一個數據集中找出項與項之間的關系，也被稱為購物藍分析 (Market Basket analysis)，因為「購物藍分析」很貼切的表達了適用該演算法情景中的一個子集。

H. Apriori演算法如何讓計算最小置信度

最小置信度是自己定製的哈，可以在不同的置信度下測這個演算法挖掘關聯規則的效率。。

I. Apriori演算法的核心是

• 連接和剪枝。

• 簡言之就是對一個已知的交易資料庫D，有一個最小支持閾值min_support，即為該演算法的輸入；演算法的輸出為滿足最小支持閾值的頻繁項集L。

• 具體為：掃描D，對每個交易商品（T1，...，Tk---1項候選項集）計數，找出滿足計數大於min_support的項集，即為1項頻繁集L1；

• 關鍵的來了：如何由1項頻繁集L1產生2項候選項集C2，此步稱為連接。

• 如何由C2得到L2，此步即為剪枝。從C2中找出計數大於min_support的項集，即為L2。

• 重復以上過程，增大頻繁項集的長度，直至沒有更長的頻繁項集。
  

J. 用R語言進行關聯分析

用R語言進行關聯分析
關聯是兩個或多個變數取值之間存在的一類重要的可被發現的某種規律性。關聯分析目的是尋找給定數據記錄集中數據項之間隱藏的關聯關系，描述數據之間的密切度。
幾個基本概念
1. 項集
這是一個集合的概念，在一籃子商品中的一件消費品即為一項（Item），則若干項的集合為項集，如{啤酒，尿布}構成一個二元項集。
2. 關聯規則
一般記為的形式，X為先決條件，Y為相應的關聯結果，用於表示數據內隱含的關聯性。如：，表示購買了尿布的消費者往往也會購買啤酒。
關聯性強度如何，由三個概念——支持度、置信度、提升度來控制和評價。
例：有10000個消費者購買了商品，其中購買尿布1000個，購買啤酒2000個，購買麵包500個，同時購買尿布和麵包800個，同時購買尿布和麵包100個。
3. 支持度（Support）
支持度是指在所有項集中{X, Y}出現的可能性，即項集中同時含有X和Y的概率：
該指標作為建立強關聯規則的第一個門檻，衡量了所考察關聯規則在「量」上的多少。通過設定最小閾值（minsup），剔除「出鏡率」較低的無意義規則，保留出現較為頻繁的項集所隱含的規則。
設定最小閾值為5%，由於{尿布，啤酒}的支持度為800/10000=8%，滿足基本輸了要求，成為頻繁項集，保留規則；而{尿布，麵包}的支持度為100/10000=1%，被剔除。
4. 置信度（Confidence）
置信度表示在先決條件X發生的條件下，關聯結果Y發生的概率：
這是生成強關聯規則的第二個門檻，衡量了所考察的關聯規則在「質」上的可靠性。相似的，我們需要對置信度設定最小閾值（mincon）來實現進一步篩選。
具體的，當設定置信度的最小閾值為70%時，置信度為800/1000=80%，而的置信度為800/2000=40%，被剔除。
5. 提升度（lift）
提升度表示在含有X的條件下同時含有Y的可能性與沒有X這個條件下項集中含有Y的可能性之比：
該指標與置信度同樣衡量規則的可靠性，可以看作是置信度的一種互補指標。
R中Apriori演算法
演算法步驟：
1. 選出滿足支持度最小閾值的所有項集，即頻繁項集；
2. 從頻繁項集中找出滿足最小置信度的所有規則。
> library(arules) #載入arules包
> click_detail =read.transactions("click_detail.txt",format="basket",sep=",",cols=c(1)) #讀取txt文檔（文檔編碼為ANSI）
> rules <- apriori(click_detail, parameter =list(supp=0.01,conf=0.5,target="rules")) #調用apriori演算法
> rules
set of419 rules
> inspect(rules[1:10]) #查看前十條規則
解釋
1) library(arules)：載入程序包arules，當然如果你前面沒有下載過這個包，就要先install.packages(arules)
2) click_detail =read.transactions("click_detail.txt",format="basket",sep=",",cols=c(1))：讀入數據
read.transactions(file, format =c("basket", "single"), sep = NULL,
cols = NULL, rm.plicates =FALSE, encoding = "unknown")
file:文件名，對應click_detail中的「click_detail.txt」
format:文件格式，可以有兩種，分別為「basket」,「single」，click_detail.txt中用的是basket。
basket: basket就是籃子，一個顧客買的東西都放到同一個籃子，所有顧客的transactions就是一個個籃子的組合結果。如下形式，每條交易都是獨立的。
文件形式：
item1,item2
item1
item2,item3
讀入後：
items
1 {item1,
item2}
2 {item1}
3 {item2,
item3}
single: single的意思，顧名思義，就是單獨的交易，簡單說，交易記錄為：顧客1買了產品1， 顧客1買了產品2，顧客2買了產品3……(產品1，產品2，產品3中可以是單個產品，也可以是多個產品)，如下形式：
trans1 item1
trans2 item1
trans2 item2
讀入後：
items transactionID
1 {item1} trans1
2 {item1,
item2} trans2
sep:文件中數據是怎麼被分隔的，默認為空格，click_detail裡面用逗號分隔
cols:對basket, col=1,表示第一列是數據的transaction ids(交易號)，如果col=NULL，則表示數據裡面沒有交易號這一列；對single，col=c(1,2)表示第一列是transaction ids，第二列是item ids
rm.plicates:是否移除重復項，默認為FALSE
encoding:寫到這里研究了encoding是什麼意思，發現前面txt可以不是」ANSI」類型，如果TXT是「UTF-8」，寫encoding=」UTF-8」，就OK了.
3) rules <- apriori(click_detail,parameter = list(supp=0.01,conf=0.5,target="rules"))：apriori函數
apriori(data, parameter = NULL, appearance = NULL, control = NULL)
data:數據
parameter：設置參數，默認情況下parameter=list(supp=0.1,conf=0.8,maxlen=10,minlen=1,target=」rules」)
supp:支持度（support）
conf:置信度（confidence）
maxlen,minlen:每個項集所含項數的最大最小值
target:「rules」或「frequent itemsets」（輸出關聯規則/頻繁項集）
apperence:對先決條件X（lhs），關聯結果Y（rhs）中具體包含哪些項進行限制，如：設置lhs=beer，將僅輸出lhs含有beer這一項的關聯規則。默認情況下，所有項都將無限制出現。
control：控制函數性能，如可以設定對項集進行升序sort=1或降序sort=-1排序，是否向使用者報告進程（verbose=F/T）
補充
通過支持度控制：rules.sorted_sup = sort(rules, by=」support」)
通過置信度控制：rules.sorted_con = sort(rules, by=」confidence」)
通過提升度控制：rules.sorted_lift = sort(rules, by=」lift」)
Apriori演算法
兩步法：
1. 頻繁項集的產生：找出所有滿足最小支持度閾值的項集，稱為頻繁項集；
2. 規則的產生：對於每一個頻繁項集l，找出其中所有的非空子集；然後，對於每一個這樣的子集a，如果support(l)與support(a)的比值大於最小可信度，則存在規則a==>(l-a)。
頻繁項集產生所需要的計算開銷遠大於規則產生所需的計算開銷
頻繁項集的產生
幾個概念：
1， 一個包含K個項的數據集，可能產生2^k個候選集

2，先驗原理：如果一個項集是頻繁的，則它的所有子集也是頻繁的（理解了頻繁項集的意義，這句話很容易理解的）；相反，如果一個項集是非頻繁的，則它所有子集也一定是非頻繁的。

3基於支持度（SUPPORT）度量的一個關鍵性質：一個項集的支持度不會超過它的子集的支持度（很好理解，支持度是共同發生的概率，假設項集{A,B,C}，{A,B}是它的一個自己，A,B,C同時發生的概率肯定不會超過A,B同時發生的概率）。
上面這條規則就是Apriori中使用到的，如下圖，當尋找頻繁項集時，從上往下掃描，當遇到一個項集是非頻繁項集（該項集支持度小於Minsup），那麼它下面的項集肯定就是非頻繁項集，這一部分就剪枝掉了。
一個例子（網路到的一個PPT上的）：
當我在理解頻繁項集的意義時，在R上簡單的復現了這個例子，這里採用了eclat演算法，跟apriori應該差不多：
代碼：
item <- list(
c("bread","milk"),
c("bread","diaper","beer","eggs"),
c("milk","diaper","beer","coke"),
c("bread","milk","diaper","beer"),
c("bread","milk","diaper","coke")
)
names(item) <- paste("tr",c(1:5),sep = "")
item
trans <- as(item,"transactions") #將List轉為transactions型
rules = eclat(trans,parameter = list(supp = 0.6,
target ="frequent itemsets"),control = list(sort=1))
inspect(rules) #查看頻繁項集
運行後結果：
>inspect(rules)
items support
1{beer,
diaper} 0.6
2{diaper,
milk} 0.6
3{bread,
diaper} 0.6
4{bread,
milk} 0.6
5{beer} 0.6
6{milk} 0.8
7{bread} 0.8
8{diaper} 0.8
以上就是該例子的所有頻繁項集，然後我發現少了{bread,milk,diaper}這個項集，回到例子一看，這個項集實際上只出現了兩次，所以是沒有這個項集的。
規則的產生
每個頻繁k項集能產生最多2k-2個關聯規則
將項集Y劃分成兩個非空的子集X和Y-X，使得X ->Y-X滿足置信度閾值
定理：如果規則X->Y-X不滿足置信度閾值，則X』->Y-X』的規則一定也不滿足置信度閾值，其中X』是X的子集
Apriori按下圖進行逐層計算，當發現一個不滿足置信度的項集後，該項集所有子集的規則都可以剪枝掉了。