基于ApriorFP-growth算法的研究①.PDF

计 算 机 系 统 应 用 2013 年 第 22 卷 第 5 期 ① 基于Aprior FP-growth 算法的研究 1 2 晏 杰 , 亓文娟 1(武夷学院 团委, 武夷山 354300) 2(武夷学院 数学与计算机系, 武夷山, 354300) 摘 要: 关联规则挖掘在数据挖掘中占有极其重要的地位, Apriori 算法和 FP-growth 算法是当前关联规则中两大 主要频繁项集发现算法. 研究了这两种算法的基本思想, 指出了算法各自的优缺点并通过具体的实例说明发现 频繁项集的方法, 最后通过实验对算法进行了性能上的比较. 关键词: 关联规则; Apriori 算法; FP-growth 算法 Research Based on Aprior FP-growth Algorithm 1 2 YAN Jie , QI Wen-Juan 1(Youth League Committee, Wuyi University, Wuyi Shan 354300, China) 2(Mathematics and Computer Science department, Wuyi University, Wuyi Shan 354300, China) Abstract: Mining of association rules in data mining plays an important role, Apriori algorithm and FP-growth algorithm are the two major association rules frequent itemsets discovery algorithm.study of the two kinds of the basic idea of the algorithm, points out the advantages and disadvantages of the algorithm through specific examples of frequent itemsets found method, finally through the experiment to the algorithm for the performance comparison. Key words: association rules; Apriori algorithm;FP-growth algorithm 数据挖掘(Data Mining)就是从数据库中发现知识 ● 支持度: 即A 和B 这两个项集的并集A ∪B 在 (KDD)、数据分析、数据融合(Data Fusion) 以及决策支 所有事务 D 中出现的概率. Support(A⇒B)=P(A∪B)= 持等. 关联规则挖掘(Association Rule Mining)是数据 Support(A∪B)=S. 挖掘领域成果颇丰而且比较活跃的研究分支, 是用于 ● 置信度: 即在出现了项集A 的事务D 中, 项集 发现隐藏在大型数据集中令人感兴趣的联系. 本文针 B 也同时出现的概率 . Confidence(A⇒B)=P(B|A)= 对频繁项集发现算法 Apriori 算法和 FP-growth 算法进 Support(A∪B)/Support(A)=C. 行了研究, 旨在对关联规则挖掘算法的扩展和改进奠 关联规则的挖掘算法分为两个步骤: 定基础. ● 产生频繁项集: 发现满足最小支持度阈值的