Apriori算法

優(yōu)點：易編碼實現(xiàn)。

缺點：在大數(shù)據(jù)集上可能較慢。

適用數(shù)據(jù)類型：數(shù)值型或者標稱型數(shù)據(jù)。

關聯(lián)分析是一種在大規(guī)模數(shù)據(jù)集中尋找有趣關系的任務。這些關系可以有兩種形式：頻繁項集或者關聯(lián)規(guī)則。頻繁項集(frequent item sets)是經(jīng)常出現(xiàn)在一塊的物品的集合，關聯(lián)規(guī)則（association rules）暗示兩種物品之間可能存在很強的關系。下面會用一個例子來說明這兩種概念。圖1給出了某個雜貨店的交易清單。

圖1一個來自Hole Foods天然食品店的簡單交易清單

頻繁項集是指那些經(jīng)常出現(xiàn)在一起的物品集合，圖1中的集合{葡萄酒，尿布，豆奶}就是頻繁項集的一個例子（回想一下，集合是由一對大括號“{}”來表示的）。從下面的數(shù)據(jù)集中也可以找到諸如尿布→葡萄酒的關聯(lián)規(guī)則。這意味著如果有人買了尿布，那么他很可能也會買葡萄酒。

使用頻繁項集和關聯(lián)規(guī)則，商家可以更好地理解他們的顧客。盡管大部分關聯(lián)規(guī)則分析的實例來自零售業(yè)，但該技術同樣可以用于其他行業(yè)，比如網(wǎng)站流量分析以及醫(yī)藥行業(yè)。

尿布與啤酒？

關聯(lián)分析中最有名的例子是“尿布與啤酒”。據(jù)報道，美國中西部的一家連鎖店發(fā)現(xiàn)，男人們會在周四購買尿布和啤酒。這樣商店實際上可以將尿布與啤酒放在一塊，并確保在周四全價銷售從而獲利。當然，這家商店并沒有這么做”。

應該如何定義這些有趣的關系？誰來定義什么是有趣？當尋找頻繁項集時，頻繁（frequent)的定義是什么？有許多概念可以解答上述問題，不過其中最重要的是支持度和可信度。一個項集的支持度（support）被定義為數(shù)據(jù)集中包含該項集的記錄所占的比例。從圖1中可以得到，{豆奶}的支持度為4/5。而在5條交易記錄中有3條包含{豆奶，尿布}，因此{豆奶，尿布}的支持度為3/5。支持度是針對項集來說的，因此可以定義一個最小支持度，而只保留滿足最小支持度的項集。

可信度或置信度（confidence）是針對一條諸如{尿布}→{葡萄酒}的關聯(lián)規(guī)則來定義的。這條規(guī)則的可信度被定義為“支持度（{尿布，葡萄酒}）/支持度（{尿布}）”。從圖1中可以看到，由于{尿布，葡萄酒}的支持度為3/5，尿布的支持度為4/5，所以“尿布→葡萄酒”的可信度為3/4=0.75。這意味著對于包含“尿布”的所有記錄，我們的規(guī)則對其中75%的記錄都適用。

支持度和可信度是用來量化關聯(lián)分析是否成功的方法。假設想找到支持度大于0.8的所有項集，應該如何去做？一個辦法是生成一個物品所有可能組合的清單，然后對每一種組合統(tǒng)計它出現(xiàn)的頻繁程度，但當物品成千上萬時，上述做法非常非常慢。

責任編輯：admin