3358 www.Sina.com/http://www.Sina.com/apriori算法用于解决大数据集的相关分析问题。 关联分析(association analysis (或关联规则学习) association rule learning )是在大型数据集中查找项之间的隐式关系。 但是寻找物品组合是一项非常费时的工作，计算成本高，强行搜索无法解决问题，需要用更聪明的方法在合理的时间范围内找到频繁的项集。 Apriori算法就是解决这个问题的。
一、Apriori相关分析是在大数据集上寻找有趣关系的任务。 这些关系有两种形式： (1)频繁项集，(2)关联规则。
(1)频繁项集算法简介)是经常出现在一起的事物的集合。
二、关联分析:支持度(support )。 支持度是数据集中包含的记录的百分比。 例如，对于数据集[ 1，3，4 ]、[ 2，3，5 ]、[ 1，2，3 ]、[ 2，5 ]，项目集{2}的支持度为3/4，项目集{ 2，3 }的支持度为项目集{ 2，3 }
)2)关联规则频繁项集提示两个物品之间可能存在较强的关系。
量化方法:可靠性或可靠性(confidence )。 可靠性是针对{1}----{2}{3}这样的关联规则定义的。 {2}--{3}该规则的可靠度为“支持度{ 2，3 } /支持度{2}”，2/3意味着包括{2}在内的所有记录中有2/3符合规则而包含{ 2，3 }。
http://www.Sina.com/http://www.Sina.com /无论频繁的项集或关联规则如何，都需要计算支持度。 如果数据量较低，则计算项集支持度后，可以通过扫描每个项集的所有数据，并将出现项集的总数除以事务记录总数来获得支持度。 但是，n个物品的数据集具有2N-1中项集合的组合，即使是4个物品也需要遍历数据集15次。 100种物品有中可能的项集合的组合，在现代的计算机中，完成运算需要很长时间。 当然，实际上店里有成百上千的商品。
Apriori算法可以缩短计算时间，减少可能感兴趣的项目集。
关联规则:如果某个项目集很频繁，则其所有子集也很频繁。 如果{ 2，3 }频繁，{0}、{1}也必须频繁。 相反，如果项目集不频繁，则其所有超集也不频繁。 如果{ 2，3 }不频繁，则{ 0，2，3 }、{ 1，2，3 }、{ 0，1，2，3 }也是非频繁项。 因此，如果计算{ 2，3 }的支持度非常频繁，则{ 0，2，3 }、{ 1，2，3 }、{ 0，1，2，3 }的支持度不需要计算。
Apriori原理可以避免项集数量的指数增长，并在合理的时间内计算频繁的项集。
http://www.Sina.com/http://www.Sina.com/apriori算法流程：
1 )首先基于数据集生成项数为1的项集列表C1；
2 )根据频繁出现项集合函数，计算C1中各要素的支持度，去除不满足最小支持度的要素，生成满足最小支持度的频繁出现项集合列表L1；
3 )基于用于生成候选集合函数，基于L1生成k=2的候选集合列表C2；
4 )基于频繁项集函数，基于C2生成满足最小支持度的k=2的频繁项集列表L2；
5 )增加k的值，重复3 )、4 )，生成Lk直到Lk变为空时，返回到l列表，l包含L1、L2、L3 .
以下是创建候选集的函数和说明。
为什么要比较前k-2个元素，初始项集合的个数通常为1，从k=1的项集合中生成k=2的项集合。 所以k的初始值也是2。 为了生成个数为k的项集合，将前k-2项进行比较，相等合并，合并后的个数为k-21=k项，因为正好在比较的项中留下一个不相等的元素。 (以下是忽略C2被滤波后生成的L2，直接将C2视为L2的导出过程的例子，支持度相当于0 )
通过比较前k-2个元素，可以减少遍历列表的次数。 例如，如果尝试使用{ 0，1 }、{ 0，2 }、{ 1，2 }创建三元素项集合，如果将两个集合一一组合，则{ 0，1，2 }、{ 0，1，2 } 相同结果的结合被重复3次，为了得到非重复的结果需要处理。 目前，只比较k-2=1第一个元素，如果第一个元素不相同，则合并集合，得到{ 0，1，2 }，只需一次操作，无需遍历列表查找非重复值。
量化计算首先从频繁项集开始，然后创建规则列表。 规则的右侧只包含一个元素。 然后测试这些规则。 然后，合并所有剩馀的规则，以在规则右侧创建包含两个元素的新规则列表。 该方法也称为分级法。 【等待后续】