matlab 实现 apriori 算法源代码
关联规则挖掘的一个典型例子是购物篮分析。市场分析员要从大量的数据中发现顾客放
入其购物篮中的不同商品之间的关系。如果顾客买牛奶，他也购买面包的可能性有多大？
什么商品组或集合顾客多半会在一次购物时同时购买？例如，买牛奶的顾客有 80%也同时买
面包，或买铁锤的顾客中有 70%的人同时也买铁钉，这就是从购物篮数据中提取的关联规则。
分析结果可以帮助经理设计不同的商店布局。一种策略是：经常一块购买的商品可以放近一
些，以便进一步刺激这些商品一起销售，例如，如果顾客购买计算机又倾向于同时购买财务
软件，那么将硬件摆放离软件陈列近一点，可能有助于增加两者的销售。另一种策略是：将
硬件和软件放在商店的两端，可能诱发购买这些商品的顾客一路挑选其他商品。
关 联 规 则 是 描 述 数 据 库 中 数 据 项 之 间 存 在 的 潜 在 关 系 的 规 则 , 形 式 为
1 2 1 2
... ...
m n
A A A B B BÙ Ù Ù Þ Ù Ù Ù
,其中
( 1, 2..., )
i
A i m=
,
( 1, 2..., )
j
A j n=
是数据库中的数据项.
数据项之间的关联规则即根据一个事务中某些项的出现,可推导出另一些项在同一事务中也
出现。
四、Apriori 算法
1.算法描述
Apriori 算法的第一步是简单统计所有含一个元素的项集出现的频率,来决定最大的一
维项目集。在第 k 步,分两个阶段,首先用一函数 sc_candidate(候选),通过第(k-1)步中生
成的最大项目集 L
k-1
来生成侯选项目集 C
k
。然后搜索数据库计算侯选项目集 C
k
的支持度. 为
了更快速地计算 C
k
中项目的支持度, 文中使用函数 count_support 计算支持度。
Apriori 算法描述如下：
(1) C
1
={candidate1-itemsets};
(2) L
1
={c∈C
1
|c.count≥minsupport};
(3) for(k=2,L
k-1
≠Φ,k++) //直到不能再生成最大项目集为止
(4) C
k
=sc_candidate(L
k-1
); //生成含 k 个元素的侯选项目集
(5) for all transactions t∈D //办理处理
(6) Ct=count_support(C
k
,t); //包含在事务 t 中的侯选项目集
(7) for all candidates c∈C
t
(8) c.count=c.count+1;
(9) next
(10) L
k
={c∈C
k
|c.count≥minsupport};
(11) next
(12) resultset=resultset∪L
k
其中, D 表示数据库；minsupport 表示给定的最小支持度；resultset 表示所有最大项目集。
Sc_candidate 函数
该函数的参数为 L
k-1
,即: 所有最大 k-1 维项目集,结果返回含有 k 个项目的侯选项目集
C
k
。事实上,C
k
是 k 维最大项目集的超集,通过函数 count_support 计算项目的支持度,然后
生成 Lk。
该函数是如何完成这些功能的, 详细说明如下:
首先, 通过对 L
k-1
自连接操作生成 C
k
,称 join(连接)步,该步可表述为:
insert into C
k
select P.item
1
,P.item
2
,...,P.item
k-1
,Q.item
k-1
from L
k-1
P,L
k-1
Q
where P.item
1
=Q.item
1
,...,P.item
k-2
=Q.item
k-2
,P.item
k-1
<Q.item
k-1
资源评论
ylzbyxrn_2023-09-26资源内容详实，描述详尽，解决了我的问题，受益匪浅，学到了。
flow_down2024-08-23资源内容详细全面，与描述一致，对我很有用，有一定的使用价值。
