兩種關聯規(guī)則挖掘算法的介紹及其主要步驟的分析
關聯規(guī)則按照不同的標準，能用各種不同的方法分成不同類型。將關聯規(guī)則分為挖掘頻繁項集、閉頻繁項集、被約束頻繁項集、極大頻繁項集，是根據挖掘模式的完全性分類的;將關聯規(guī)則分為多層和單層關聯規(guī)則，以及單位和多維關聯規(guī)則是根據規(guī)則所涉及的數據進行分類的;將關聯規(guī)則分為量化關聯規(guī)則和挖掘布爾型規(guī)則是根據規(guī)則處理值類型分類的;將關聯規(guī)則分為序列模式挖掘、頻繁項集挖掘以及結構模式挖掘是根據俄關聯規(guī)則挖掘模式進行分類的;將關聯規(guī)則分為興趣度約束、知識類型約束、數據約束，是根據規(guī)則所挖掘的約束類型分類的。
關聯規(guī)則挖掘算法分析
1 Apriori 算法分析
關聯規(guī)則算法中的挖掘完全頻繁項集中，Apriori 算法該類型中最具有應用價值，影響力最大的算法。
Apriori 算法主要有兩個步驟：
（1）發(fā)現所有的頻繁集;
（2）生成強關聯規(guī)則。
在 Apriori 算法中的第一步是最為重要的步驟，該算法的核心思路是，給定一個數據庫，在第一次數據庫掃描中找出所有支持度大于等于最小支持度的項目組成頻繁 1—項集，也就是 L1，1—項集 C1，由 L1進行連接得到;接著進行第二次數據庫掃描，將 C1中所有支持度大于等于最小支持度的項集組成頻繁 2—項集，也就是 L2，候選 2—項集 C2由 L2連接得到。以此類推，直到找出最大項頻繁集。即在進行第 N 次數據庫掃描時，找出 CN-1中所有支持度大于等于最小支持度的項集組成頻繁N—項集，即是 LN，N—項集 CN要由 LN連接得出，一直到找不出新的選集為止。在這里還要用到 Apriori 算法性質，即是頻繁項集是頻繁項集的子集，非頻繁項集是非頻繁項集的超集。在 Apriori 算法中對數據庫的掃描次數需要大于最大頻繁項集的項數。
非常好我支持^.^
(1) 100%
不好我反對
(0) 0%
