Apriori算法析和改进,基于Markov异常检测模型.docVIP

Apriori算法分析和改进 一 Apriori算法介绍 1.1 Apriori 算法思想 Apriori 算法的基本思想是:首先找出事务中所有的频集,这些频集出现的频繁性需要大于或等于预先设定的最小支持度。随后由频集产生强关联规则, 这些规则必须大于最小支持度和最小可信度。为了生成所有频集,使用了递推的方法。 1.2 Apriori 算法步骤 1.制定最小支持度及最小置信度。 2.对数据集所有事务进行扫描,对每个项出现的次数计数,删除那些出现计数值小于阈值的项集,这样就得到 L1频繁项集; 3.利用频繁 1-项集合的结合,产生候选 2-项集合 C2(Candi－date2-itemset)。 4.对 C2中每个候选项集的支持计数,确定频繁项集 2-项集的集合 L2,并利用这些频繁 2-项集合 L2的结合,产生候选 3-项集合 C3。 5.重复扫描数据库产生更高层次的频繁项集合,再结合产生下一级候选项集,直到穷尽数据集中的所有频繁项集。 Apriori 算法描述如下: (1) C1={candidate1-itemsets}; (2) L1={c∈C1|c.count≥minsupport}; (3) For(k=2,Lk-1≠Φ,k++)//直到不能再生成最大项目集为止 (4) Ck=sc_candidate(Lk-1);//生成含 k 个元素的侯选项目集 (5) f