http://www.Sina.com/http://www.Sina.com /
Apriori
关联规则学习(Association rule learning )是一种在大型数据库中发现变量之间有趣关系的方法。 其目的是使用一些有趣的度量来识别在数据库中发现的强规则。
相关性分析是在大数据集中寻找有趣关系的任务。 这些关系有两种形式：频繁项集或关联规则。 频现项集(frequent item sets )是一组经常出现在一起的事物，关联规则(association rules )提示两者之间可能存在较强的关系。
算法总结
查找频繁项集时，“频繁”的定义是什么？
最重要的是支持度和可靠性。
1、一个项目集的支持度(support ) )。
定义为数据集中包含的记录的百分比。 由于支持度是针对项目集进行的，因此可以定义最小支持度，只保留满足最小支持度的项目集。
2、可靠性或可靠性(confidence )。
是针对尿布啤酒等相关规则定义的。 该规则的可靠性被定义为“支持度(尿布、啤酒) /支持度)”。
如果{尿布、啤酒}的支持度为3/5，尿布的支持度为4/5，则“尿布啤酒”的可靠度为3/4=0.75。 简单来说，就是用户购买尿布的事件中包含了“购买尿布和啤酒”的比率。 这意味着对于包括“尿布”在内的所有记录，我们的规则将适用于其中75%的记录。
3、提升等级)“同时包含b的事务的百分比”与“包含b的事务的百分比”之比。 表达式的表示： lift=(p(ab )/p (a ) )/p ) b )=p ) ab )/p ) a )/p ) b )。 提升度反映了相关规则中的a和b的相关，提升度1越高，表示正相关越高，提升度1越低，表示负相关越高，提升度=1表示无相关。
为了缩短频繁项集合的生成时间，可以尽快消除非频繁项集合的集合，使用Apriori的两个法则。
Apriori定律1 :如果某个集合是频繁项集，则其所有子集都是频繁项集。 例如，假设某个集合{A，B}是频繁出现项集合。 也就是说，如果a、b在一个记录上同时出现的次数在最小支持度min_support以上，则其子集{A}、{B}的出现次数一定在min_support以上，也就是说其子集都是频繁出现项集合。
Apriori定律2 :如果某个集合不是频繁项集，则其所有超集都不是频繁项集。 例如，假设集合{A}不是频繁项集合。 也就是说，如果a以小于min_support的次数出现，则像{A，B}这样的超集也一定会以小于min_support的次数出现，因此该超集也一定不是频繁出现项集。
一、背景
接下来，我们来看一下Apriori算法的简单流程。
数据集：
面包、牛奶
[面包、尿布、啤酒、鸡蛋]
牛奶、尿布、啤酒、可乐、
[面包、牛奶、尿布和啤酒]
[面包、牛奶、尿布、可乐]
过程如下。
得到频繁项集合后，可以从频繁项集合中得到较强的相关规则(满足最小支持度和最小可靠度的相关规则)。 因为在这里找不到流程图，所以直接从程序运行的屏幕截图开始看吧：
这是我把支持度设定为0.3，得到的所有频繁的一套：
然后分析规则，根据二元集进行计算。 以下分析生成的关联规则。
接下来是三个插曲。 举个例子吧。
也就是说，对于频繁的项集合，首先找出所有的子集，循环地每次分析子集，比较从原项集合中去除该子集后剩下的数据的可靠度和提高度。 此时，如果可靠度大于0.7，提高度大于1，则最终结果如下。
以lift的作用为例。
例如，在前面的例子中，总事件为5件，购买牛奶为4件，购买尿布为4件，两者都购买为3件，所以牛奶(a )的支持度为p ) a )为0.8，对牛奶(a )的尿布) b的信赖度为a
通俗地说，b事务可能不是因为发生a事务而发生的，而是b事务本身发生的次数较多。例如，b事务出现在所有的事务集中，也就是说出现概率为1，就是说因为发生a事务而发生了b事务
二、理论
1、逐案物品较多时，支持度、置信度阈值设置过低，关联规则特别多，所得结果无价值；
eg .数据：
[1、3、9、13、23、25、34、36、38、40、52、5]
4,59,63,67,76,85,86,90,93,98,107,113],[2,3,9,14,23,26,34,36,39,40,52,55,59,63,67,76,85,86,90,93,99,108,114],[2,4,9,15,23,27,34,36,39,41,52,55,59,63,67,76,85,86,90,93,99,108,115],[1,3,10,15,23,25,34,36,38,41,52,54,59,63,67,76,85,86,90,93,98,107,113],[2,3,9,16,24,28,34,37,39,40,53,54,59,63,67,76,85,86,90,94,99,109,114],[2,3,10,14,23,26,34,36,39,41,52,55,59,63,67,76,85,86,90,93,98,108,114],[2,4,9,15,23,26,34,36,39,42,52,55,59,63,67,76,85,86,90,93,98,108,115],[2,4,10,15,23,27,34,36,39,41,52,55,59,63,67,76,85,86,90,93,99,107,115],[1,3,10,15,23,25,34,36,38,43,52,54,59,63,67,76,85,86,90,93,98,110,114]]
2、当有很多个事件时，若每个事件的物品很少，支持度、置信度阈值设置太高，关联规则会特别少，这个时候得到的结果也是没有价值；
3、故而，我觉得在初始数据和支持度、置信度之间，是要通过实际测试以及考虑预期结果来获得几个比较好的参数，也即是说，即便是Apriori这种相对其他复杂算法较为经典且基础的算法也是需要调参的。