apriori算法.docVIP

《数据挖掘》课程论文 Apriori算法的实现 实验目的 熟悉频繁项集的基本概念，掌握用Apriori算法挖掘频繁项集的方 法。 使用面向对象的语言（Java）实现具体的Apriori算法，改进算法和 带约束条件的算法。 实验内容 基本的Apriori算法 基于事物压缩技术的Apriori算法 基于约束条件的Apriori算法 三种Apriori复杂度的分析和比较 实验结果 基本的Apriori算法 输入的购物清单： 实验的输出结果： 基于事物压缩技术的Apriori算法 改进部分：事物压缩（不包含任何频繁k项集的事物不可能包含任 何频繁（k+1）项集。因此这种事物在其后的考虑时，可 以加上标记或删除，因为产生j项集（jk）的数据库扫 描不再需要它们。） 输入的购物清单：与基本算法相同 实验的输出结果：于基本算法相同 基于约束条件的Apriori算法 约束条件：购物清单中每件商品的平均价格在15元以下的清单被删 除，不计入考虑范围。 输入的购物清单：与基本算法相同 输入的价格清单： 实验的输出结果： 三种Apriori复杂度的分析和比较 时间复杂度分析与比较： 基本的Apriori算法的时间主要消耗在利用K频繁项集产生K+1 频繁项集时用来判断连接条件时的比较，利用先验性质删除具有非频繁子集的候选项集和通过扫描整个数据库来得出候选项集的支持度。 基于事务压缩的Apriori算法Apriori_modified主要根据“不包含任何频繁k项集的事物不可能包含任何频繁（k+1）项集”这条准则，在产生K频繁项集之后删除数据库中不包含任何K频繁项集的部分，使统计K+1候选项集的支持度时所需要扫描的数据库变小。 带约束条件的Apriori算法Apriori_limited只是在基本的Apriori算法上加了其他约束条件，添加了约束条件之后可以精简数据库，使得需要分析的数据的规模减小，所需要的时间大大降低。 空间复杂度分析与比较： 基本的Apriori算法和基于事务压缩的改进Apriori算法的空间复杂度基本相同，设频繁项的最大长度为项的总数量m,如果不对最小支持度进行限制，其空间复杂度为2m。带约束条件的Apriori算法，由于直接减少了需要分析的数据的规模，空间复杂度也会相应的降低。 实验总结 通过这次试验，我们不仅加深了对Apriori算法的了解，还提高了Java的变成能力，学会了用所学知识解决问题的能力。通过实验，加深了我们对数据挖掘的了解，提升了对数据挖掘的兴趣。