标签：面包 泡面 牛奶 果酱 Apriori 项集 挖掘 关联 可乐
算法目的
关联规则挖掘中有一个非常典型的案例，"啤酒纸尿裤"案例，讲的是通过对一家超市的销售情况研究发现，很多买了纸尿裤的客户，同时会购买啤酒，经过调查发现，买这些纸尿裤的一般是家庭父亲，他们在被家庭主妇派去买纸尿裤时，会同时选择购买啤酒来犒劳自己，根据这个发现，超市将纸尿裤和啤酒放在一起，或者将它们进行捆绑销售，提高了产品的销量。
关联规则挖掘就是通过挖掘算法来找到事物背后隐藏的关联规则，从而来指导实践，相类似的还有键盘与鼠标等
关联规则基础概念
- 关联规则：形式为A->B，如{面包}->{牛奶，果酱}，表示面包与牛奶和果酱之间存在关联关系
- 项：事物的类型，类似数据表中的字段，在"啤酒纸尿裤"中，啤酒和质量库就是两个项
- 项集：项的集合，根据所含项的多少，分为单位项，2项，3项等等
- 事务：行为的记录，类似数据表中的记录，在"啤酒纸尿裤"中，指代用户的一次次购买行为
- 支持计数：某一项集在所有事务中出现的次数
- 支持度：某一项集在所有事务中占的比例，即支持计数除以总事务数，用于判断某一项集是否为频繁项集
- 置信度：关联规则中，后件项集在前件项集中出现的频繁程度，对于{面包}->{牛奶，果酱}，就是牛奶,果酱这一组合在所有出现面包的事务中出现的频率，置信度越高，表示关联性越强
- 最小支持度：用于判断某一项集是否为频繁项集，大于最小支持度时，为频繁项集
- 最小置信度，用于判断某一关联规则是否为强关联规则，大于最小支持度时，为强关联规则
Apriori原理
- 1、找出所有可能的大小为1候选项集，大小为1时，所有项集都是候选项集，当大于1时，只有当该项集的子项集为频繁项集时，该项集才为候选项集
- 2、根据最小支持度，从候选项集中筛选出频繁项集
- 3、重复1、2步骤，寻找大小+1的频繁项集，直到没有更大的候选项集
事务集：
| TID | 商品 |
|---|---|
| 1 | {面包，牛奶，果酱，饼干，可乐，泡面} |
| 2 | {面包，牛奶，果酱，饼干} |
| 3 | {面包，牛奶，果酱} |
| 4 | {可乐，泡面} |
| 5 | {可乐，泡面} |
第一步，找出大小为1的候选集：
| 项集 | 支持度计数 |
|---|---|
| {面包} | 3 |
| {牛奶} | 3 |
| {果酱} | 3 |
| {饼干} | 2 |
| {可乐} | 3 |
| {泡面} | 3 |
第二步，根据最小支持度来筛选出频繁项集，设最小支持度为0.5，则频繁项集为：
| 项集 | 支持度计数 |
|---|---|
| {面包} | 3 |
| {牛奶} | 3 |
| {果酱} | 3 |
| {可乐} | 3 |
| {泡面} | 3 |
第三步，找出大小为2的候选集：
| 项集 | 支持度计数 |
|---|---|
| {面包，牛奶} | 3 |
| {牛奶，果酱} | 3 |
| {面包，果酱} | 3 |
| {可乐，泡面} | 3 |
| {面包，可乐} | 1 |
| {牛奶，可乐} | 1 |
| {果酱，可乐} | 1 |
| {面包，泡面} | 1 |
| {牛奶，泡面} | 1 |
| {果酱，泡面} | 1 |
第四步，根据最小支持度来筛选出频繁项集，设最小支持度为0.5，则频繁项集为：
| 项集 | 支持度计数 |
|---|---|
| {面包，牛奶} | 3 |
| {牛奶，果酱} | 3 |
| {面包，果酱} | 3 |
| {可乐，泡面} | 3 |
第五步，找出大小为3的候选集：
| 项集 | 支持度计数 |
|---|---|
| {面包，牛奶，果酱} | 3 |
第四步，根据最小支持度来筛选出频繁项集，设最小支持度为0.5，则频繁项集为：
| 项集 | 支持度计数 |
|---|---|
| {面包，牛奶，果酱} | 3 |
标签：面包,泡面,牛奶,果酱,Apriori,项集,挖掘,关联,可乐 来源： https://www.cnblogs.com/codedogzlc/p/15484408.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。