《Python数据分析与挖掘实战》数据挖掘算法基础-（3）关联规则_第1页
《Python数据分析与挖掘实战》数据挖掘算法基础-（3）关联规则_第2页
《Python数据分析与挖掘实战》数据挖掘算法基础-（3）关联规则_第3页
《Python数据分析与挖掘实战》数据挖掘算法基础-（3）关联规则_第4页
《Python数据分析与挖掘实战》数据挖掘算法基础-（3）关联规则_第5页
已阅读5页，还剩4页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

第5章数据挖掘算法基础数据挖掘算法基础1聚类目录分类与回归2关联规则3智能推荐4时间序列5关联规则分析也称为购物篮分析，目的是从大量数据中找出各项之间的关联关系，如关联规则“面包=>牛奶”，其中面包称为规则的前项，而牛奶称为后项。常用关联规则算法算法名称算法描述Apriori关联规则最常用也是最经典的挖掘频繁项集的算法，其核心思想是通过连接产生候选项，然后通过剪枝生成频繁项集FP-Growth针对Apriori算法的固有的多次扫面事务数据集的缺陷，提出的不产生候选频繁项集的方法。Apriori和FP-Growth都是寻找频繁项集的算法Eclat算法Eclat算法是一种深度优先算法，采用垂直数据表示形式，在概念和理论的基础上利用基于前缀的等价关系将搜索空间划分为较小的子空间灰色关联法分析和确定各因素之间的影响程度或是若干个子因素（子序列）对主因素（母序列）的贡献度而进行的一种分析方法支持度：项集A、B同时发生的概率称为关联规则的支持度。置信度：项集A发生，则项集B发生的概率为关联规则的置信度Apriori关联规则和频繁项集最小支持度和最小置信度支持度最小支持度是用户或专家定义的衡量支持度的一个阈值，表示项目集在统计意义上的最低重要性；最小置信度是用户或专家定义的衡量置信度的一个阈值，表示关联规则的最低可靠性。同时满足最小支持度阈值和最小置信度阈值的规则称作强规则。项集与频繁项集项集是项的集合。包含k个项的项集称为k项集，如集合{牛奶,麦片,糖}是一个3项集。项集的出现频数是所有包含项集的事务计数，又称作绝对支持度或支持度计数。如果项集I的相对支持度满足预定义的最小支持度阈值，则I是频繁项集。AprioriApriori算法的主要思想是找出存在于事务数据集中的最大的频繁项集，再利用得到的最大频繁项集与预先设定的最小置信度阈值生成强关联规则。Apriori的性质频繁项集的所有非空子集也必须是频繁项集。根据该性质可以得出：向不是频繁项集的项集中添加事务，新的项集一定也不是频繁项集。AprioriApriori算法：使用候选产生频繁项集Apriori算法实现的两个过程：找出所有的频繁项集

由频繁项集产生强关联规则Apriori客户ID转换后的商品ID101a,c,e102b,d103b,c104a,b,c,d105a,b106b

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论