数据挖掘算法-Apriori Algorithm（关联规则）

本人刚开始学数据挖掘，虽然之前看过一本《数据挖掘原理与应用：SQL Server 2005数据库》，但是只是大体上了解了一些数据挖掘的概念，并没有深入去了解一个算法。前段时间开始比较深入的学习，就以关联规则作为学习的入口点。这 才有了这篇文章。

　　Apriori algorithm是关联规则里一项基本算法。是由Rakesh Agrawal和Ramakrishnan Srikant两位博士在1994年提出的关联规则挖掘算法。关联规则的目的就是在一个数据集中找出项与项之间的关系，也被称为购物蓝分析 (Market Basket analysis)，因为“购物蓝分析”很贴切的表达了适用该算法情景中的一个子集。

　　关于这个算法有一个非常有名的故事："尿布和啤酒"。故事是这样的：美国的妇女们经常会嘱咐她们的丈夫下班后为孩子买尿布，而丈夫在买完尿布后又要顺 手买回自己爱喝的啤酒，因此啤酒和尿布在一起被购买的机会很多。这个举措使尿布和啤酒的销量双双增加，并一直为众商家所津津乐道。

 

【1】一些概念和定义

• 资料库（Transaction Database）：存储着二维结构的记录集。定义为：D 
  
• 所有项集（Items）：所有项目的集合。定义为：I。
• 记录 （Transaction ）：在资料库里的一笔记录。定义为：T，T ∈ D
• 项集（Itemset）：同时出现的项的集合。定义为：k-itemset（k项集），k-itemset ? T。除非特别说明，否则下文出现的k均表示项数。
• 支持度（Support）：定 义为 supp(X) = occur(X) / count(D) = P(X)。

   1. 解释一：比如选秀比赛，那个支持和这个有点类似，那么多人（资料库），其中有多少人是选择（支持）你的，那个就是支持度；
   2. 解释二：在100个人去超市买东西的，其中买苹果的有9个人，那就是说苹果在这里的支持度是 9，9/100；
   3. 解释三：P(X)，意思是事件X出现的概率；
   4. 解释四：关联规则当中是有绝对支持度（个数）和相对支持度（百分比）之分的。

• 置信度（Confidence/Strength）： 定义为 conf(X->Y) = supp(X ∪ Y) / supp(X) = P(Y|X)。

在历史数据中，已经买了某某（例如：A、B）的支持度和经过挖掘的某规则（例如：A=>B）中A的支持度的比 例，也就是说买了A和B的人和已经买了 A的人的比例，这就是对A推荐B的置信度（A=>B的置信度）< /span>

• 候选 集（Candidate itemset）：通过向下合并得出的项集。定义为C[k]。
• 频繁集（Frequent itemset）：支持度大于等于特定的最小支持度（Minimum Support/minsup）的项集。表示为L[k]。注意，频繁集的子集一定是频繁集。
• 提升比率（提升度Lift）：lift(X -> Y) = lift(Y -> X) = conf(X -> Y)/supp(Y) = conf(Y -> X)/supp(X) = P(X and Y)/(P(X)P(Y))

经过关联规则分析后，针对某些人推销（根据某规则）比盲目推销（一般来说是整个数据）的比率，这个比率越高越好，我们称这个规则为强规则；

• 剪枝步
  

只有当子集都是频繁集的候选集才是频繁集，这个筛选的过程就是剪枝步；

 

【2】Apriori优化：Fp-tree 算法

 

• 关键点：以树形的形式来展示、表达数据的形态；可以理解为水在不同河流分支的流动过程；

• 生成Fp-tree的几个点：

1. 扫描原始项目集；
   
2. 排列数据； 
3. 创建ROOT节点；
4. 按照排列的数据进行元素的流动；
5. 节点+1； 
   

•  更多内容请自行学习

【3】Apriori优化：垂直数据分布

•  关键点：相当于把原始数据进行行转列的操作，并且记录每个元素的个数
  

•   更多内容请自行学习

 

【4】摘要：数据挖掘中关联规则算法的研究

Apriori核心算法过程如下：

1. 过单趟扫描数据库D计算出各个1项集的支持度，得 到频繁1项集的集合。
2. 连接步：为了生成，预先生成,由2个只有一个项不同的属于的频集做一 个（k-2）JOIN运算得到的。
3. 剪枝步：由于是的超集，所以可能有些元素不是频繁的。在 潜在k项集的某个子集不是中的成员是，则该潜在频繁项集不可能是频繁的可以从中移去。
4. 通过 单趟扫描数据库D，计算中各个项集的支持度，将中不满足支持度的项集去掉形成。

　　通过迭代循环，重复步骤2～4，直到有某个r值使得为空，这时算法停止。在剪枝步中的每个元 素需在交易数据库中进行验证来决定其是否加入，这里的验证过程 是算法性能的一个瓶颈。这个方法要求多次扫描可能很大的交易数据库。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。

　　目前，几乎所有高效的发现关联规则的并行数据挖掘算法都是基于Apriori算法 的，Agrawal和Shafer 提出了三种并行算法：计数分发（Count Distribution）算法、数据分发（Data Distribution）算法和候选分发（Candidate Distribute）算法。

 

【5】总结

1. 例子就暂时不举例，因为网上的这些例子也是比较多的；
   
2. 度量标准还有很多很多很多，如：Lift/Interest、All-confidence、Consine、Conviction、Jaccard、Leverage、Collective strength等等。
3. 频繁数据模型的分类比较多，需要慢慢理解；