《数据挖掘关联性分析小软件Java源程序代码》.doc

关联规则算法实现 一、实验目的 了解编写数据挖掘算法的一般过程； 理解关联规则生成算法； 掌握生成频繁项集的Apriori算法； 掌握由频繁项集生成关联规则的方法。 二、实验环境 windows操作系统，一种程序设计语言开发环境。 三、实验内容及步骤 1、基于模拟数据集，实现Apriori算法以获得频繁项集。 2、基于上一步得到的频繁项集，编写算法得到关联规则。 3.实验最后生成的Apriori算法的演示程序如下图所示: 输入最小的支持度阈值为1生成频繁项集 输入最小可信度的值生成关联规则值: 四、实验中的问题和心得 在实验过程中，遇到了不少的问题，比如说模拟数据集的输入（本人通过一个二维数组将其解决）。通过此次实验，我也从中掌握了不和知识，比如加深了对Apriori算法的理解。通过此次算法，我也设想过如何编写数据挖掘的一般过程，对其也有了更深层次的认识。 五、回答问题 请设置不同的最小支持度阈值，观察得到的频繁项集的数目，说说频繁项集与最小支持度阈值之间的关系。 答：输入最小支持度阈值为2时，其生成的频繁项集如下： 最小支持度阈值表示数据项集在统计意义上的最低主要性最小信度阈值表示规则的最低可靠性 输出：D中的频繁项集L。 方法： (1) L1＝find_frequent_1_itemset（D）；找频繁项集1-项集; (2) for （ k=2; Lk-1( (; min_sup） { apriori_gen(Lk-1,min_sup) 连接和剪枝。用于在 第k-1次遍历中生成的Lk-1生成Ck for each t( D 扫描数据库，确定每个候选项集的支持频度 ｛ Ct＝subset（Ck ，t）获得t所包含的候选项集 for each c(Ct c.count＋＋； ｝ ｝ (3) Lk＝｛ c (Ck | c.count min_sup ｝由Ck生成Lk (4) return L＝L1 ∪ L2 …. ∪ Lk procedure apriori_gen(Lk-1,min_sup) { for each l1 ( Lk-1 for each l2 ( Lk-1 ｛ if（l1[1]=l2[1] ∧… ∧ l1[k-2]=l2[k-2] ∧ l1[k-1] l2[k-1] ） c=l1 ( l2； 将两个项集连接在一起 if not has_infrequent_itemset（c，Lk-1） Ck=Ck ∪ { c } ； } reutrn Ck } procedure has_infrequent_itemset （c，Lk-1） { for each（k－1） subset s of c if s ( Lk-1 return true ； else return false ； } （3）算法源码： /** * 编写者: oklzh * Apriori算法 * 编写日期: 2007-11-04 */ package Apriori; import java.awt.BorderLayout; import java.awt.FlowLayout; import java.awt.GridLayout; import java.awt.event.ActionEvent; import java.awt.event.ActionListener; import java.util.ArrayList; import java.util.Hashtable; import java.util.Iterator; import java.util.Set; import javax.swing.JButton; import javax.swing.JFrame; import javax.swing.JLabel; import javax.swing.JList; import javax.swing.JOptionPane; import javax.swing.JPanel; import javax.swing.JScrollPane; import javax.swing.JTabbedPane; import javax.swing.JTextArea; import javax.swing.JTextField; import Apriori.Apriori.Item; public class Apriori