数据挖掘Apriori算法C++实现.docxVIP

一、原Apriori算法 1、算法原理： 该算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集，使用了递推的方法 （1）L1 = find_frequent_1-itemsets(D); // 挖掘频繁1-项集，比较容易 （2）for (k=2;Lk-1 ≠Φ ;k++) { （3）Ck = apriori_gen(Lk-1 ,min_sup); // 调用apriori_gen方法生成候选频繁k-项集 （4）for each transaction t ∈ D { // 扫描事务数据库D （5）Ct = subset(Ck,t); （6）for each candidate c ∈ Ct （7）c.count++; // 统计候选频繁k-项集的计数 （8）} （9）Lk ={c ∈ Ck|c.count≥min_sup} // 满足最小支持度的k-项集即为频繁k-项集 （10） } （11） return L= ∪ k Lk; // 合并频繁k-项集（k0） 2、算法流程 ① 首先单趟扫描数据集，计算各个一项集的支持度，根据给定的最小支持度闵值，得到一项频繁集L1。 ② 然后通过连接运算，得到二项候选集，对每个候选集再次扫描数据集，得出每个候选集的支持度，再与最小支持度比较。得到二项频繁集L2。 ③ 如此进行下去，直到不能连接产生新的候选集为止。 ④ 对于找到的所有频繁集，用规则提取算法进行关联规则的提取。 3、算法的不足： （１ ）数据库重复扫描的次数太多。在由 Ｃ Ｋ 寻找 Ｌ Ｋ 的过程中， Ｃ Ｋ 中的每一项都需要扫描事务数据库进行验证，以决定其是否加入 Ｌ ｋ ，存在的频繁 Ｋ － 项集越大，重复扫描的次数就越多。这一过程耗时太大，增加了系统 １ ／ ０ 开销，处理效率低 ［１０ ］ ，不利于实际应用。 （２ ）产生的候选集可能过于庞大。如果一个频繁１ － 项集包含１００个项，那么频繁２ － 项集就有 Ｃ２ １００ 个，为找到元素个数为１００的频繁项集，如｛ｂ １ ， ｂ ２ ，…， ｂ １００ ｝，那么就要扫描数据库１００次，产生的候选项集总个数为： 举例： 对于一个这样庞大的项集，计算机难以存储和计算，挖掘效率低下。 二、算法的改进1 1、改进方法： 性质１：频繁项集的所有非空子集都必须是频繁的。（ Ａｐｒｉｏｒｉ性质，记为性质１ ） 性质２：若频繁Ｋ － 项集 Ｌ ｋ 中各个项可以做链接产生 Ｌ ｋ ＋１ ，则Ｌ ｋ 中每个元素在 Ｌ ｋ 中出现的次数应大于或等于 Ｋ ，若小于 Ｋ ，则删除该项在 Ｌ ｋ 中所有的事务集 ［１１ ］ 。（Ａｐｒｉｏｒｉ性质的推论，记为性质２ ） 改进的方法：在连接之后得到的候选频繁k项，直接进行最小支持度判断，并进行剪枝，从而直接得到频繁k项集，避免候选项集可能过大的问题； 2、算法的流程 ① 首先单趟扫描数据集，计算各个一项集的支持度，根据给定的最小支持度阈值，得到一项频繁集L1。 ② 然后通过连接运算，对于每个连接的到项直接进行最小支持度判断，如果大于最小支持度的加入频繁二项集，如果小于则舍弃，循环直到连接完毕；得到二项频繁集L2。 ③ 如此进行下去，直到不能连接产生新的频繁项集为止。 3、代码实现的描述（详细描述文末附上）： 使用C++，构造了一个Apriori类： class Apriori { public: //初始化，输入数据源，得到原始数据集、频繁1项集 void init(string fileName); //连接频繁k项集、并且直接剪枝，得到频繁k+1项集，加入到容器item_list void apri_gen();;//连接频繁k项集、并且直接剪枝，得到频繁k+1项集，加入到频繁项集集合frequentvec中 float calculateSup(vectorstring judge_item); //求候选项的支持度 vectorstring mergeItem(vectorstring vect1,vectorstring vect2,int round); //判断两个项是否可以合并成一个新的项集做为新的候选项，能则合并，不能的返回空容器 void showItem();//输出频繁项集 private: vec