Apriori算法zz

Apriori算法是我的第一个数据挖掘算法，算处女作吧，哈哈哈。在这之前我对数据挖掘 算法恐惧，觉得太难了，只是大致看了下原理，然后在clementine上拖几个控件跑下demo，运行的结果很好但是总觉得技术含量不高，我不知道为什 么要这么做，为什么那些参数要那么设置，更糟糕的是发现那些算法过一段时间都忘记了。没办法，不入虎穴焉得虎子，我逼迫自己根据书上提供的讲解和伪码，琢 磨着用什么数据结构保存数据？怎么把算法用程序实现？。。。。。。。万事开头难，好在我还是把这个算法写出来了，我获得了自信，使得我真正喜欢上了数据挖 掘，现在看看自己写的那个算法，觉得有好多地方不成熟，哈哈哈。

    Apriori算法属于关联分析，是Agrawal在1993提出来的。它的功能是找出频繁项集，例如：超市购物中，那些商品总是同时被购买，如啤酒和尿不湿总是被同时购买，这时商家就可以把他们放在一起使得啤酒和尿不湿的销量更多，哈哈哈。其核心是：先找频繁项集是1的元素，在这基础上找频繁项集时2的元素，，，，，，，在频繁项集是K的元素中找频繁项集是K+1的元素。如有如下数据：

每一行表示一条交易，共有9行，既9笔交易，左边表示交易ID，右边表示商品名称。最小支持度是22%，那么每件商品至少要出现9*22%=2次才算频繁。第一次扫描数据库，使得在每条交易中，按商品名称递增排序。第二次扫描数据，找频繁项集为1的元素有：

左边表示商品名称，右边表示出现的次数，都大于阈值2。在此基础上找频繁项集是2的元素，方法是两两任意组合，第三次扫描数据得到它们出现的次数：

这里{I1,I4},{I3,I4},{I3,I5},{I4,I5}出现的次数都小于2，过滤掉，实际频繁项集为2的元素有：

在这基础上找频繁项集为3的元素，此时就有规律性了，在频繁项集为K的元素上找频繁项集为 K+1的元素的方法是：在频繁项集为K的项目（每行记录）中，假如共有N行，两两组合，满足两两中前K-1个元素相同，只后一个元素要求前一条记录的商品 名称小于后一条记录的商品名称，这样是为了避免重复组合，求它们的并集得到长度为K+1的准频繁项集，那么最多共有种可能的组合，有：
想想如果N很大的话，是一个多么庞大的数字，这时就要用到Apriori的核心了：如果K+1个元素构成频繁项集，那么它的任意K个元素的子集也是频繁项集。然后将每组K+1个元素的所有长度为K的子集，有中组合，在频繁项集为K的项集中匹配，没有找到则删除，用第一条记录{I1,I2,I3}它的长度为2的频繁项集有：分别是：{I1,I2},{I1,I3},{I2,I3}种情况,幸好这三种情况在频繁项集为2的项集中都找到了。通过这步过滤，得到的依旧是准频繁项集，它们是：，此时第四次扫描数据库，得到真正长度为3的频繁项集是
因为{I1,I2,I4}只出现了1次，小于最小支持度2，删除。就这个例子而言，它的最大频繁项集只有3，就是{I1,I2,I3}和{I1,I2,I5}，我想不用我多说大家都明白了。
    可见Apriori算法有个最大的问题就是要产生大量准频繁项集或者说候选集，效率不高，并且要多次扫描数据库，在后面的PF_growth算法将避免了这两个个问题。

来源：http://blog.sina.com.cn/s/blog_6e85bf420100ogn2.html