数据挖掘实验三应用Apriori算法挖掘频繁项集[参照].pdf
版权申诉
92 浏览量
2021-10-14
11:24:14
上传
评论
收藏 142KB PDF 举报
实验三、应用 Apriori 算法挖掘频繁项集
学院 计算机科学与软件学院
? 实验目的：
（1）熟悉 VC++编程工具和 Apriori 频繁项集挖掘算法。
（2）根据管理层的需求，确定数据挖掘的任务，明确数据挖掘的功能，也
就是明确要挖掘什么。
（3）由确定的数据挖掘任务，从实验一处理后的结果中，采用切块或切片
等联机分析处理技术，选择出挖掘任务相关数据。
（4）用 VC++编程工具编写 Apriori 算法的程序，对任务相关数据运行 Apriori
算法，挖掘出所有的频繁项集。
1. 写出实验报告。
? 实验原理：
1 、Apriori 算法
Apriori 使用一种称作逐层搜索的迭代方法， k 项集用于探索（ k+1）项集。
首先，通过扫描数据库，累计每个项的计数，并收集满足最小支持度的项，
找出频繁 1 项集的集合。该集合记作 L 1 。然后， L 1 用于找频繁 2 项集的集合
L 2 ，L 2 用于找 L 3 ，如此下去，直到不能再找到频繁 k 项集。找每个 L k 需要
一次数据库全扫描。
2、提高频繁项集逐层产生的效率
Apriori 性质：频繁项集的所有非空子集也必须是频繁的。
三、 实验内容：
1、实验内容
在给定的数据中提取统一购物篮购买的商品信息，由这些数据构成事务数据
库 D，挖掘其中的频繁项集 L。
挖掘频繁项集的算法描述如下：
Apriori 算法：使用逐层迭代找出频繁项集
输入：事务数据库 D；最小支持度阈值。
输出： D 中的频繁项集 L。
（1） L 1 = find_frequent_1-itemsets(D); // 挖掘频繁 1-项集，比较容易
（2） for (k=2;L k-1 ≠Φ ;k++) {
（3） C k = apriori_gen(L k-1 ,min_sup); // 调用 apriori_gen 方法生成候选频繁
k-项集分为两步：合并、减枝
（4） for each transaction t ∈ D { // 扫描事务数据库 D
（5） Ct = subset(C k ,t);
（6） for each candidate c ∈ Ct
（7） c.count++; // 统计候选频繁 k-项集的计数
（8） }
（9） L k ={c ∈ Ck|c.count≥min_sup} // 满足最小支持度的 k-项集即为频
繁 k-项集
剩余13页未读，继续阅读
cyh76339129
- 粉丝: 1
- 资源: 14万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减4.47元 开通VIP
相关推荐
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
评论0
最新资源