关联规则挖掘举例.ppt

该【关联规则挖掘举例 】是由【ielbcztwz24384】上传分享，文档一共【16】页，该文档可以免费在线阅读，需要了解更多关于【关联规则挖掘举例 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。对于规则 AC：
支持度 = support({A,C }) = 50%
置信度 = support({A,C })/support({A})
= %
假设最小值支持度为50%，最小置信度为50%
规则AC满足最小支持度和最小置信度，所以它是强关联规则
关联规则挖掘举例
关联规则挖掘的步骤
大于或者等于最小支持度的项集
点击此处添加小标题
点击此处添加正文，请言简意赅的阐述观点。
点击此处添加小标题
点击此处添加正文，请言简意赅的阐述观点。
Apriori算法
Apriori算法是一种经典的生成布尔型关联规则的频繁项集挖掘算法。
Apriori算法将发现关联规则的过程分为两个步骤：
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；
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。
Apriori算法的重要性质
性质1：频繁项集的子集必为频繁项集
性质2：非频繁项集的超集一定是非频繁的
假设项集{A,C}是频繁项集，则{A}和{C}也为频繁项集
假设项集{D}不是频繁项集，则{A,D}和{C,D}也不是频繁项集
现有A、B、C、D、E五种商品的交易记录表，找出所有频繁项集，假设最小支持度>=50%,最小置信度>=50%
Apriori算法举例
K=1
支持度<50
K=2
支持度<50
支持度<50
Apriori算法举例_产生频繁项集
支持度<50
支持度<50
Apriori算法举例_产生频繁项集
对于频繁项集{B,C,E},它的非空子集有{B}、{C}、{E}、{B,C}、{B,E}、{C,E}。以下就是据此获得的关联规则及其置信度。
规则
置信度Confidence
BCE
%
CBE
%
EBC
%
CEB
1
BEC
%
BCE
1
置信度≥50%(最小置信度)，
都是强关联规则
Apriori算法举例_产生关联规则
Apriori算法弊端
产生大量频繁集
若有100个项目，可能产生候选项数目
需要多次扫描数据表
如果频繁集最多包含10个项，那么就需要扫描交易数据表10遍，这需要很大的I/O负载
FP-growth算法
Jiawei Han等人在2000年提出了一种基于FP-树的关联规则挖掘算法FP_growth，它采取“分而治之”的策略，将提供频繁项目集的数据库压缩成一棵频繁模式树（FP-树）。
仅两次扫描数据库。
理论和实验表明该算法优于Apriori算法。