机器学习之-使用Apriori算法进行关联并分析-具体怎么实现及应用

1、从大规模数据集中寻找物品间的隐含关系被称作关联分析或者关联规则学习。

2、频繁项集：经常出现在一块的物品的集合。

3、关联规则：暗示两种物品之间可能存在很强的关系，而支持度和可信度是用来量化关联分析是否成功的方法。

4、一个项集的支持度被定义为数据集中包含该项集的记录所占的比例。

5、可信度或置信度：针对关联规则来定义。例如{尿布，葡萄酒}的支持度为3/5，{尿布}的支持度为4/5，所以规则“尿布->葡萄酒”的可信度为3/4=0.75，即对于包含“尿布”的所有记录，规则对于其中75%的记录都适用。

6、Apriori原理可以减少关联规则学习时所需的计算量：

一般过程：

1）收集数据，适用任意方法；

2）准备数据：任何数据类型都可以，因为我们只保存集合；

3）分析数据：使用任意方法；

4）训练算法：使用Apriori算法来找到频繁项集；

5）测试算法：不需要测试过程；

6）使用算法：用于发现频繁项集以及物品之间的关联规则。

7、简述Apriori原理：意思是如果某个项集是频繁的，那么它的所有子集也是频繁的，在直观上这并没有什么帮助，但是如果反过来：也就是说如果一个项集是非频繁集，那么它的所有超集也是非频繁的，这是非常有用的。

8、关联分析的目标包括两项：发现频繁项集和发现关联规则。

9、Apriori算法发现频繁集的算法：

该算法首先生成所有单个物品的项集列表。接着扫描交易记录来查看哪些项集满足最小支持度要求，那些不满足最小支持度的集合会被去掉。然后，对剩下了的集合进行组合以生成包含两个元素的项集。接下来，再重新扫描交易记录，去掉不满足最小支持度的项集。该过程重复进行直到所有项集都被去掉。

10、如何生成候选项集：

对数据集中的每条交易记录tran

        对每个候选项集can：

                检查一下can是否是tran的自己：

                        如果是，则增加can的计数值

        对每个候选项集：

                如果其支持度不低于最小值，则保留该项集

返回所有频繁项集列表