Apriori算法分析和探讨.docVIP

Apriori算法分析和探讨 　　摘要：本文详细分析了关联规则数据挖掘Apriori算法的思想和步骤，给出了算法的伪代码。现在Apriori算法已广泛应用于金融、医疗以及教育等领域，所以，作为教育工作者，有必要对其进行进一步的研究。 　　关键字：Apriori算法；数据挖掘；关联规则 　　中图分类号：TP 391 　　文献标识符：A 　　引 言 　　Apriori算法[1]是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。目前，Apriori算法广泛应用于各个领域，所以对其进行研究具有很重要的意义。 　　1.Apriori算法的思想 　　Apriori算法是由Agrawal和 Strikant提出的一种最有影响的关联规则挖掘算法。该算法的过程是针对给定的交易数据库DB，用户在初始阶段设定最小支持度Smin和最小置信度Cmin，然后找出频繁 1-项集的集合L1，使用逐层搜索的迭代方法，通过k-项集生成（k+1）-项集，而找每个 Lk都需要扫描一次数据库[1][2]。 　　2. Apriori算法的步骤 　　2.1生成频繁项集 　　在数据挖掘过程中为生成Lk，可通过连接和剪枝两步过程来完成[3] [4]。 　　1、连接：为找 Lk，通过 Lk - 1与自己连接产生候选 k-项集的集合。该候选项集的集合记作 Ck。设l1和 l2是 Lk - 1中的项集。记号Li[j]表示 li的第 j 项。为方便计，假定事务或项集中的项按字典次序排序。执行连接 Lk ?C 1 Lk - 1；其中，Lk - 1的元素是可连接的， 如果它们前（k-2）个项相同； 即， Lk - 1的元素 l1和 l2是可连接的，如果（l1 [1] = l2 [1]）∧（l1 [2] = l2 [2]）∧ ... ∧（l1 [k-2] = l2 [k-2]）∧（l1 [k-1] l2 [k-1]）。条件（l1 [k-1] l2 [k-1]）是简单地保证不产生重复。连接 l1和 l2产生的结果项集是 l1 [1] l1 [2]... l1 [k-1] l2 [k-1]。 　　2、剪枝：Ck是 Lk的超集；即，它的成员可以是，也可以不是频繁的，但所有的频繁 k-项集都包含在 Ck中。扫描数据库，确定 Ck中每个候选的计数，从而确定 Lk（即，根据定义，计数值不小于最小支持度计数的所有候选是频繁的，从而属于Lk）。然而，Ck可能很大，这样所涉及的计算量??很大。为压缩 Ck，可以用以下办法使用 Apriori 性质：任何非频繁的（k-1）-项集都不是可能是频繁 k-项集的子集。因此，如果一个候选 k-项集的（k-1）-子集不在 Lk - 1中，则该候选也不可能是频繁的，从而可以由 Ck中删除[3][4]。 　　生成频繁项集的算法描述： 　　输入：事务数据库 D；最小支持度阈值。 　　输出：D 中的频繁项集F。 　　SetOfItemsets generateFrequentItemsets（Integer minimumSupport） 　　{ 　　F[1]={frequent items}； 　　For （k=1，F[k]0；k++） 　　{ 　　C[k+1]=generateCandidates（k，F[k]）； 　　For each transaction t in databases 　　{ 　　For each candidate c in C[k+1] 　　{ 　　If t contains c then c.count++ 　　} 　　} //扫描数据库 　　For each candidate c in C[k+1] 　　{ 　　If c.count=minimum_support F[k+1]= F[k+1] U {c} //选择符合条件的候选项 　　} 　　} 　　While k=1 do 　　{ 　　F=F U F[k]； 　　k- -； 　　} //合并候选集 　　} 　　2.2产生强关联规则 　　一旦从数据库 D 中找出频繁项集，可从中产生强关联规则，强关联规则满足最小支持度和最小置信度。对于置信度，可以用下式，其中条件概率用项集支持度计数表示。 　　其中，support_count（A∪B）是包含项集 A∪B 的事务数，support_count（A）是包含项集 A 的事务数。根据该式，关联规则可以产生如下： 　　（1）对于每个频繁项集L，产生 L 的所有非空子集。 　　（2）对于L的每个非空子集 s，如果 ，