关联规则挖掘经典算法apriori标准代码实现

Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。 该算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集，使用了递归的方法。 （1） L1 = find_frequent_1-itemsets(D); （2） for (k=2;Lk-1 ≠Φ ;k++) { （3） Ck = apriori_gen(Lk-1 ,min_sup); （4） for each transaction t ∈ D {//scan D for counts （5） Ct = subset(Ck,t);//get the subsets of t that are candidates （6） for each candidate c ∈ Ct （7） c.count++; （8） } （9） Lk ={c ∈ Ck|c.count≥min_sup} （10） } （11） return L= ∪ k Lk; 可能产生大量的候选集,以及可能需要重复扫描数据库，是Apriori算法的两大缺点。