机器学习实战——第十一/十二章：关联规则挖掘Apriori算法和FP-growth算法

文章目录**一．** **实验目的****二．** **实验任务****三．** **实验背景****四．** **算法原理****五．** **具体实现** 一． 实验目的 1．加强对Apriori 算法与FP-growth算法的理解; 2．锻炼分析问题、解决问题并动手实践的能力。 二． 实验任务 用一种你熟悉的程序设计语，实现Apriori算法与FP-growth，在数据集上比较算法的性能。 三． 实验背景 现在，数据挖掘作为从数据中获取信息的有效方法，越来越受到人们的重视。关联规则挖掘

在机器学习的无监督问题中，常使用关联分析法来发现存在于大量数据集中的关联性或相关性。关联分析是从大量数据中发现项集之间的关联和相关联系，从而描述一个事物中某些属性同时出现的规律和模式。 关联分析的一个典型例子是超市购物分析，通过分析顾客购物车中的不同商品之间的联系、哪些商品会被频繁地同时购买，即“哪些商品经常被同时购买？”，来制定超市商品的营销策略等。经典的关联分析方法有Apriori算法和FP-growth算法。 目录 1、关联分析 2. Apriori算法 2.1 Apriori原理 2.2

大型超市有海量的交易数据，我们可以通过聚类算法寻找购买相似物品的人群，从而为特定人群提供更具个性化的服务。但是对于超市来讲，更有价值的是如何找出商品的隐藏关联，从而打包促销，以增加营业收入。其中最经典的案例就是关于尿不湿和啤酒的故事。怎样在繁杂的数据之间寻找到数据之间的隐藏关系？当然可以使用穷举法，但代价高昂，所以需要使用更加智能的方法在合理时间内找到答案。Apriori就是其中的一种关联分析方法。 基本概念 关联分析是一种在大规模数据集中寻找有趣关系的非监督学习算法。这......

【代码】关联规则算法(Apriori算法、FP-Growth算法)小案例（python mlxtend)

最近上数据挖掘的课程，其中学习到了频繁模式挖掘这一章，这章介绍了三种算法，Apriori、FP-Growth和Eclat算法；由于对于不同的数据来说，这三种算法的表现不同，所以我们本次就对这三种算法在不同情况下的效率进行对比。从而得出适合相应算法的情况。(一)算法原理其中相应的算法原理在之前的博客中都有非常详细的介绍，这里就不再赘述，这里给出三种算法大概的介绍但是这里给出每个算法的关键点：1.1 ...

FpGrowth算法通过构造一个树结构来压缩数据记录，使得挖掘频繁项集只需要扫描两次数据记录，而且该算法不需要生成候选集合，所以效率会比较高。FP-Tree（频繁模式树）：是一个树形结构，包括一个频繁项组成的头表，一个标记为null的根结点，它的子结点为一个项前缀子树的集合。频繁项：单个项目的支持度超过最小支持度则称其为频繁项（frequentitem）。频繁头表：频繁项头表的每个表项由两个域组成，一个是项目名称，一个是链表指针，指向下一个相同项目名称的结点。生成FP-Growth树。......

文章目录1. “啤酒与尿布”的案例2. Aprior算法核心术语事物集记录(事务)项目(项)项目集(项集)K项集支持度(Support)置信度(Confidence)最小支持度(min_support)最小置信度(min_confidence)提升度频繁K项（目）集候选K项（目）集3. Aprior算法的三大性质（关联规则的三大性质）4. Aprior算法实现过程5. 数据挖掘5.1 寻找关联属性5.2 生成关联规则5.3 更加严谨的栗子6. Aprior算法的优缺点6.1 改进Aprior算法6.2 F

整理写一份比较易懂的Apriori算法： 关联规则想必大家都是听说过 尿布和啤酒的故事； 在一家超市里，有一个有趣的现象：尿布和啤酒赫然摆在一起出售。但是这个奇怪的举措却使尿布和啤酒的销量双双增加了。这不是一个笑话，而是发生在美国沃尔玛连锁店超市的真实案例，并一直为商家所津津乐道。沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析，想知道顾客经常一起购买的商品有哪些。沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar

Apriori算法的频繁项集的方式是：先产生低阶频繁项集（从1开始的）的，再由低阶频繁项集产生高阶候选项集，高阶候选项集经过支持度的度量筛选产生，最后生成同阶频繁项集。这是不断重复的“产生-测试”的过程。而FP-growth算法采用是完全不同的方式，算法的第一个核心是压缩数据集，采用的是FP_tree这样的一个数据结构来完全表示了所有的事务，第二个核心是采用了“分而治之”的思想，用递归的方式将挖掘频繁项集一步步分成各自的子问题来解决。对比于Apriori算法，FP-growth算法的特点是只需扫描两次数据库

关联规则挖掘：在大量交易数据中，找出经常一起出现的商品组合（频繁项集），并生成“如果买了 A，就更可能买 B”的规则。支持度衡量规则的普遍性，置信度衡量规则的可靠，提升度衡量 A 和 B 的真实关联强度。1. 原理： 先验原理。如果一个项集是频繁的，那么它的所有子集也一定是频繁的。如果一个项集是非频繁的，那么它的所有超集也一定是非频繁的。通过此来进行剪枝。2. 流程： 扫描数据集，统计单个商品的支持度，筛选项集。 两两组合这些筛选出的项集，再次扫描数据集，筛选项集。

文章目录1.前言2.简介3.原理3.0.示例3.1.概念介绍3.2.Apriori原理3.3.优点3.4.缺点3.5.算法步骤4.代码实现4.1懒人必备，开箱速食4.2.代码详解5.总结6.参考资料 1.前言 ⭐️ 开箱即食，直接复制，懒人传送门：4.1懒人必备，开箱速食 ⭐️ 本文主要从原理、代码实现 理论和实战两个角度来剖析Apriori算法 ⭐️ 理论部分主要是关于 什么是 频繁项集、支持度、置信度 ⭐️ 实战部分主要是根据原理 去复现代码 并在简单的数据集上验证结果，对应的本文代码链接为：Aprio

关联规则简介 关联规则挖掘是一种基于规则的机器学习算法，该算法可以在大数据库中发现感兴趣的关系。它的目的是利用一些度量指标来分辨数据库中存在的强规则。也即是说关联规则挖掘是用于知识发现，而非预测，所以是属于无监督的机器学习方法。 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。 关联规则的一般步骤: 1、找到频繁集； 2、在频繁集中通过可信度筛选获得关联规则。 关联规则应用： 1、Apriori算法应用广泛，可用于消费市场价格分析，猜

文章目录前言一、FP-growth算法简介二、FP-growth算法步骤三、FP-growth算法数据结构四、FP-growth算法原理（基于代码案例）五、FP-growth算法总结: 前言 频繁项集挖掘算法用于挖掘经常一起出现的item集合（称为频繁项集），通过挖掘出这些频繁项集，当在一个事务中出现频繁项集的其中一个item，则可以把该频繁项集的其他item作为推荐。比如经典的购物篮分析中啤酒、...

关联规则分析也是一种比较常见的推荐算法，主要是根据历史数据统计不同规则出现的关系，比如：X−>Y X->YX−>Y，表示X XX事件发生后，Y YY事件也会有一定概率发生。 关联规则分析最著名的就是“啤酒-尿布”的经典案例，沃尔玛的超市管理人员通过数据发现，很多买尿布的人大概率事件会去购买啤酒。这是因为在美国很多妈妈在家带孩子，所以去超市买尿布的任务就交给了爸爸...

关联规则挖掘是数据挖掘中的一个重要任务，用于发现数据集中不同项之间的关联关系。