10章节 关联规则.pptVIP

;10.8 约束性关联规则挖掘 10.9 数量关联规则挖掘 10.10 负关联规则挖掘算法 10.11 加权关联规则挖掘算法 10.12 应用实例分析 10.13 小结;10.1 关联规则基本概念;10.1.1关联规则定义;最小支持度minsup 即用户规定的关联规则必须满足的最小支持度，它表示了一组物品集在统计意义上的需满足的最低程度。 最小置信度minconf 即用户规定的关联规则必须满足的最小置信度，它反应了关联规则的最低可靠度。;10.1.2关联规则分类; 2．基于规则中数据的抽象层次，可以分为单层关联规则和多层关联规则 例如： IBM台式机→Sony打印机是一个细节数据上的单层关联规则； 台式机→Sony打印机，（此处台式机是IBM台式机的较高层次抽象）。; 3．基于规则中涉及到的数据维数，可以分为单维关联规则和多维关联规则 例如： 啤酒→尿布 (单维) 性别=“女”→职???=“秘书” (多维);10.2关联规则算法原理;10.2.1关联规则挖掘算法的两个步骤;关联规则挖掘的基本模型;10.2.2基本关联规则算法;●深度优先算法 此类算法中必威体育精装版最高效的是J.Han等人提出的FP-growth(Frequent-pattern Growth)算法。 ●划分算法 划分算法的基本思想是将整个数据集划分成可以存放在内存中进行处理的数据块，以节省访问外存的I/0开销。 ●抽样算法 ? 如何计算负边界以找回部分遗漏的频繁项集是抽样算法的关键。 ;10.2.3复杂关联规则算法 ;10.3 分层有哪些信誉好的足球投注网站算法-Apriori算法 ;举例: 已知事务数据库D如表10.1所示，最小支持度计数为2，即 minsupport=2/9， 利用Apriori算法挖掘所有满足minsup的频繁集。 ; (1)第一次扫描，扫描数据库获得每个候选项的计数，从而获得频繁1-项集。如表10-2所示。 ;18; (3) L2进行自连接得到C3={{I1, I4, I5}，{ I1, I2, I4}，{ I1, I3, I4}，{ I1, I3, I5}，{ I2, I3, I4}， { I3, I4, I5}} 因为{ I1, I2, I4}的子集{ I1, I2,}和 { I1, I3, I4}、{ I1, I3, I5}的子集{ I1, I3,}及 { I2, I3, I4}的子集{ I2, I3}不在L2中 因此，从C3中删除{ I1, I2, I4}、{ I1, I3, I4}、{ I1, I3, I5}、 { I2, I3, I4}得： C3={{ I1, I4, I5}，{ I3, I4, I5}}。然后再扫描数据库D，计算各项集的支持度计数，如表10.5所示，从而得到频繁3-项集L3，如表10.6所示。 ;(4)L3进行自连接得到C4={{ I1, I3, I4 , I5}}，由于{ I1, I3, I4 , I5}的子集{ I1, I3, I4 ,}不在L3中，因此删除{ I1, I3, I4 , I5}后C4=?，进而L4=?，算法终止。;10.3.2产生关联规则;利用频繁项集生成规则的算法描述如下： for all 频繁k项集 ,k?2 do begin H1={ 中规则的后件，该规则的后件中只有一个项目}； Call ap_genrules( ,H1); end; Procedure ap_genrules( ：频繁项集, Hm：m个项目的后件的集合) ;if(km+1) then begin Hm+1=apriori_gen(Hm) for all hm+1? Hm+1 do begin conf=support( )/support( -hm+1); if(conf?minconf) then output 规则 -hm+1→hm+1 with confidence=conf and support=support( ); ;例10－2 以表10.1所示数据为例，来说明关联规则的生成过程。频繁项集 l ={ I1, I4, I5}，以下将给出根据l所产生的关联规则。L 的非空子集为：{ I1}、{ I4}、{I5}、{ I1, I4}、{ I4, I5}和{ I1,