Apriori算法簡介

本博客不再更新，更多精彩內容請訪問我的獨立博客

Apriori算法

Apriori算法步驟：

1.Apriori算法：使用候選項集找頻繁項集

2.由頻繁項集產生關聯規則

例：設A=足球服，B=足球鞋， C=足球。某網上商城的銷售情況如下：

客戶號	客戶	商品	數量
C1	李鳴	足球服A	10
C1	李鳴	足球鞋B	8
C1	李鳴	足球C	60
C2	金珊	足球C	20
C3	馮君	足球服A	50
C3	馮君	足球鞋B	60
C4	丁貝	足球鞋B	20
C5	陳騁	足球服A	30

不關心商品的銷量，只關心商品間的關聯度

基本概念

支持度 ：    設W 中有s ％的事務同時支持物品集A 和B，s ％稱爲關聯規則A→B 的支持度。

   例如：A的支持度=60%          A→B 的支持度 = 40%

  Apriori算法：找頻繁項集：

1、在第一輪循環中，所有1項目（只有1項）集是候選項目集，從中篩選出
支持度>最小支持度的項目放入頻繁項目集
2、在第二輪循環中，只有頻繁1項目組成的2項目纔是候選項目，從中篩選出
支持度>最小支持度的2項目放入頻繁項目集。
3、繼續循環，直至n輪循環，所有的頻繁項目選出，頻繁項目集形成。

設最小支持度爲30%
（1）1項目候選項：A 、     B  、 C
                      支持度： 60%       60%       40%
          所以頻繁項目集：    進入下一輪單項：
          {A 、B、C}                {A 、B、C}

（2）2項目候選項：AB 、BC、AC
                          支持度：40%   20%   20%
          所以頻繁項目集：        進入下一輪單項：
          {A 、B、C、AB}         {A, B}

（3）3項目候選項：無
          算法終止
所以頻繁項目集：
          {A 、B、C、AB}

由頻繁項集產生關聯規則

頻繁項目	支持度	頻繁項目	支持度
A	60%	C	40%
B	60%	A和B	40

可信度：它是針對規則而言的。指在出現了物品集A 的事務T 中，物品集B 也同時出現的概率有多大。
       可信度=p（condition and result）/p（condition）

興趣度：物品集A 的出現對物品集B 的出現有多大的影響。 
興趣度=p(condition and result)/p(condition)*p(result)。
——當興趣度大於1的時候，這條規則就是比較好的；
——當興趣度小於1的時候，這條規則就是沒有很大意義的。

例： 規則1：if  A   THEN  B , 可信度？
可信度= （A和B）/ A = 40% / 60% = 67% 

規則2：if  A   THEN  C , 可信度？
可信度= （A和C）/ A = 20% / 60% = 33%

規則3：if  A   THEN  B , 興趣度？
興趣度=  （A和B）/  （A*B） =  40% / （60% * 60%）= 1.11 > 1  有意義

規則4：if  A   THEN  C , 興趣度？
興趣度=  （A和C）/  （A*C） =  20% / （60% * 40%）= 0.83 < 1