關聯規則演算法的改進

⑴ 第九章 數據關聯規則分析演算法——基於Apriori演算法的關聯項分析

9.1 基於Apriori演算法的關聯分析

Aprior演算法是關聯規則分析中較為經典的頻繁項集演算法。關聯規則反映的是兩個或多個事物相互之間的依存性和關聯性。如果兩個或者多個事物相互之間存在一定的關聯關系，則它們之間存在一種關聯規則使得它們之間可以進行搭配。

9.1.1 基本概要

Apriori演算法利用頻繁項集的先驗知識，不斷地按照層次進行迭代，計算數據集中的所有可能的頻繁項集，它的分析主要包括兩個核心部分。

1、根據支持度找出頻繁項集；

2、根據置信度產生關聯規則。

9.1.2 Apriori演算法原理

基本流程：

1、掃描歷史數據，並對每項數據進行頻率次數統計。

2、構建候選集 ，並計算其支持度，即數據出現頻率次數與總數的比。

3、對候選項集進行篩選，篩選的數據項支持度應當不小於最小支持度，從而形成頻繁項集 .

4、對頻繁項集 進行連接生成候選集 ，重復上述步驟，最終形成頻繁K項集或者最大頻繁項集。

Apriori演算法存在兩大定理：

1、如果一個集合是頻繁項集，那麼它的所有子集都是頻繁集合。

2、如果一個集合它不是頻繁集合，那麼它的所有超集都不是頻繁項集。

9.1.3 Apriori演算法優缺點

優：運算過程非常簡單，理論方法也比較容易理解，對數據特徵的要求也相對較低。

缺：

1、產生候選集是產生較多的組合，沒有考慮將一些無關的元素排除後再進行組合。

2、每次計算項集的過程中都會掃描元素的數據表。

針對不足推出不斷改進的Apriori演算法：

1、將數據表（事務表）進行壓縮。

2、利用哈希表的快速查找特性對項集進行計數統計。

3、合理選樣。

⑵ 推薦演算法之模型協同過濾（1）-關聯規則

關聯規則是數據挖掘中的典型問題之一，又被稱為購物籃分析，這是因為傳統的關聯規則案例大多發生在超市中，例如所謂的啤酒與尿布傳說。事實上，「購物籃」這個詞也揭示了關聯規則挖掘的一個重要特點：以交易記錄為研究對象，每一個購物籃（transaction）就是一條記錄。關聯規則希望挖掘的規則就是：哪些商品會經常在同一個購物籃中出現，其中有沒有因果關系。為了描述這種「經常性」及「因果關系」，分析者定義了幾個指標，基於這些指標來篩選關聯規則，從而得到那些不平凡的規律。

（1）計算支持度
支持度計數：一個項集出現在幾個事務當中，它的支持度計數就是幾。例如{Diaper, Beer}出現在事務 002、003和004中，所以它的支持度計數是3
支持度：支持度計數除於總的事務數。例如上例中總的事務數為4，{Diaper, Beer}的支持度計數為3，所以它的支持度是3÷4=75%，說明有75%的人同時買了Diaper和Beer。

（2）計算置信度
置信度：對於規則{Diaper}→{Beer}，{Diaper, Beer}的支持度計數除於{Diaper}的支持度計數，為這個規則的置信度。例如規則{Diaper}→{Beer}的置信度為3÷3=100%。說明買了Diaper的人100%也買了Beer。

一般地，關聯規則被劃分為動態推薦，而協同過濾則更多地被視為靜態推薦。
所謂動態推薦，就是推薦的基礎是且只是當前一次（最近一次）的購買或者點擊。譬如用戶在網站上看了一個啤酒，系統就找到與這個啤酒相關的關聯規則，然後根據這個規則向用戶進行推薦。而靜態推薦則是在對用戶進行了一定分析的基礎上，建立了這個用戶在一定時期內的偏好排序，然後在這段時期內持續地按照這個排序來進行推薦。由此可見，關聯規則與協同過濾的策略思路是完全不同的類型。
事實上，即便在當下很多能夠拿到用戶ID的場景，使用動態的關聯規則推薦仍然是值得考慮的一種方法（尤其是我們經常把很多推薦方法的結果綜合起來做一個混合的推薦），因為這種方法的邏輯思路跟協同過濾有著本質的不同，問題似乎僅僅在於：個人的偏好到底有多穩定，推薦到底是要迎合用戶的長期偏好還是用戶的當下需求。

挖掘關聯規則主要有Apriori演算法和FP-Growth演算法。後者解決了前者由於頻繁的掃描數據集造成的效率低下缺點。以下按照Apriori演算法來講解。

step 1： 掃描數據集生成滿足最小支持度的頻繁項集。
step 2： 計算規則的置信度，返回滿足最小置信度的規則。

如下所示，當用戶購買1商品時推薦2、3商品

⑶ 常見的關聯規則挖掘演算法包括

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。

2、

Logistic回歸，LR有很多方法來對模型正則化。比起NB的條件獨立性假設，LR不需要考慮樣本是否是相關的。

與決策樹與支持向量機不同，NB有很好的概率解釋，且很容易利用新的訓練數據來更新模型。如果你想要一些概率信息或者希望將來有更多數據時能方便的更新改進模型，LR是值得使用的。

3、決策樹，DT容易理解與解釋。DT是非參數的，所以你不需要擔心野點（或離群點）和數據是否線性可分的問題，DT的主要缺點是容易過擬合，這也正是隨機森林等集成學習演算法被提出來的原因。

4、支持向量機，很高的分類正確率，對過擬合有很好的理論保證，選取合適的核函數，面對特徵線性不可分的問題也可以表現得很好。SVM在維數通常很高的文本分類中非常的流行。

⑷ apriori演算法是什麼

Apriori演算法是第一個關聯規則挖掘演算法，也是最經典的演算法。它利用逐層搜索的迭代方法找出資料庫中項集的關系，以形成規則，其過程由連接（類矩陣運算）與剪枝（去掉那些沒必要的中間結果）組成。該演算法中項集的概念即為項的集合。包含K個項的集合為k項集。項集出現的頻率是包含項集的事務數，稱為項集的頻率。如果某項集滿足最小支持度，則稱它為頻繁項集。

演算法應用

隨著高校貧困生人數的不斷增加，學校管理部門資助工作難度也越加增大。針對這一現象，提出一種基於數據挖掘演算法的解決方法。將關聯規則的Apriori演算法應用到貧困助學體系中，並且針對經典Apriori挖掘演算法存在的不足進行改進，先將事務資料庫映射為一個布爾矩陣，用一種逐層遞增的思想來動態的分配內存進行存儲，再利用向量求＂與＂運算，尋找頻繁項集。

⑸ 中醫專家系統聽說很牛，它的本質是一個什麼樣的數據挖掘情況

數據挖掘作為一門在海量數據中獲取知識的技術,已被越來越多地擴展到不同領域的應用中,在中醫葯領域應用數據挖掘技術是一個有著廣闊前景而又充滿挑戰性的研究方向。但是,截至目前,對名老中醫的學術思想和臨證經驗的研究,尚停留於整理、歸納階段,帶有一定的主觀成份。本課題的主要目的是依據數據挖掘技術,通過收集治療典型病例的眾多醫案,從大量有雜訊、不完整甚至是不一致的數據中,挖掘出典型病例的用葯規律,為中醫臨床治療、中醫葯教學及中成葯的胡數研製提供參考。本文的主要研究工作如下:1、深入分析和探討了一些典型的關聯規則挖掘演算法,如AIS演算法、Apriori演算法、FP-Growth演算法、DLG演算法等。同時,提出了Apriori演算法的一種改進演算法——基於數組的挖掘關聯規則的DRA演算法,並將該演算法與經典的Apriori演算法的運行效率進行了分析比較,該演算法只需要掃描資料庫一遍,不需要產生候選集,運行效率有了較大提高。