【数据挖掘】关联规则挖掘 Apriori 算法 ( 关联规则 | 数据项支持度 | 关联规则支持度 )

举报
韩曙亮 发表于 2022/01/10 23:56:49 2022/01/10
【摘要】 文章目录 一、 关联规则二、 数据项支持度三、 关联规则支持度 参考博客 : 【数据挖掘】关联规则挖掘 Apriori 算法 ( 关联规则简介 | 数据集 与 事物 Transac...



参考博客 :





一、 关联规则



关联规则 是指 :

某些 项集 出现在一个 事务 中 ,

可以推导出 :

另外一些 项集 也出现在同一个 事务 中 ;


如 : 事物 2 2 2 : t 2 = { 莴 苣 , 尿 布 , 啤 酒 , 甜 菜 } t_2 = \{ 莴苣 , 尿布 , 啤酒 , 甜菜 \} t2={,尿,,}

{ 啤 酒 } \{ 啤酒 \} {} 1 1 1 项集 出现在购买清单 事务 2 2 2 中 , { 尿 布 } \{ 尿布 \} {尿} 1 1 1 项集 也出现在购买清单 事务 2 2 2 中 ;





二、 数据项支持度



支持度 表示 数据项 ( Item )事务 ( Transaction ) 中的 出现频度 ;


支持度公式 :

S u p p o r t ( X ) = c o u n t ( X ) c o u n t ( D ) \rm Support (X) = \cfrac{count (X)}{count (D)} Support(X)=count(D)count(X)


S u p p o r t ( X ) \rm Support (X) Support(X) 指的是 X \rm X X 项集的支持度 ;

c o u n t ( X ) \rm count (X) count(X) 指的是 数据集 D \rm D D 中含有项集 X \rm X X 的事务个数 ;

c o u n t ( D ) \rm count(D) count(D) 指的是 数据集 D \rm D D 的事务总数 ;


示例 : 【数据挖掘】关联规则挖掘 Apriori 算法 ( 关联规则简介 | 数据集 与 事物 Transaction 概念 | 项 Item 概念 | 项集 Item Set | 频繁项集 | 示例解析 ) 六、数据集、事物、项、项集合、项集 示例

数据集 D \rm D D 为 :

事物编号 事物 ( 商品 )
001 001 001 奶粉 , 莴苣
002 002 002 莴苣 , 尿布 , 啤酒 , 甜菜
003 003 003 奶粉 , 尿布 , 啤酒 , 橙汁
004 004 004 奶粉 , 莴苣 , 尿布 , 啤酒
005 005 005 奶粉 , 莴苣 , 尿布 , 橙汁

项集 X = { 奶 粉 } \rm X=\{ 奶粉 \} X={} , 求该项集的支持度 ? \rm ? ?


根据上述公式 S u p p o r t ( X ) = c o u n t ( X ) c o u n t ( D ) \rm Support (X) = \cfrac{count (X)}{count (D)} Support(X)=count(D)count(X) 计算支持度 ;


c o u n t ( X ) \rm count (X) count(X) 指的是 数据集 D \rm D D 中含有项集 X \rm X X 的事务个数 ;

含有 X = { 奶 粉 } \rm X=\{ 奶粉 \} X={} 项集的事务有 事务 1 \rm 1 1 , 事务 3 3 3 , 事务 4 4 4 , 事务 5 5 5 , 得出 :

c o u n t ( X ) = 4 \rm count (X) = 4 count(X)=4


c o u n t ( D ) \rm count(D) count(D) 指的是 数据集 D \rm D D 的事务总数 ; 得出

c o u n t ( D ) = 5 \rm count(D) = 5 count(D)=5


则计算支持度 :

S u p p o r t ( X ) = c o u n t ( X ) c o u n t ( D ) \rm Support (X) = \cfrac{count (X)}{count (D)} Support(X)=count(D)count(X)

S u p p o r t ( X ) = 4 5 \rm Support (X) = \cfrac{4}{5} Support(X)=54





三、 关联规则支持度



关联规则 X ⇒ Y \rm X \Rightarrow Y XY 的支持度 ,

等于 项集 X ∪ Y \rm X \cup Y XY 的支持度 ;

公式为 :

S u p p o r t ( X ⇒ Y ) = S u p p o r t ( X ∪ Y ) = c o u n t ( X ∪ Y ) c o u n t ( D ) \rm Support (X \Rightarrow Y) = Support (X \cup Y) = \cfrac{count (X \cup Y)}{count (D)} Support(XY)=Support(XY)=count(D)count(XY)


示例 : 数据集 D \rm D D 为 :

事物编号 事物 ( 商品 )
001 001 001 奶粉 , 莴苣
002 002 002 莴苣 , 尿布 , 啤酒 , 甜菜
003 003 003 奶粉 , 尿布 , 啤酒 , 橙汁
004 004 004 奶粉 , 莴苣 , 尿布 , 啤酒
005 005 005 奶粉 , 莴苣 , 尿布 , 橙汁

求关联规则 尿 布 ⇒ 啤 酒 \rm 尿布 \Rightarrow 啤酒 尿 的支持度 ? ? ?

上述问题等价于 , 项集 X = { 尿 布 , 啤 酒 } \rm X=\{ 尿布 , 啤酒 \} X={尿,} 的支持度 ;


根据上述公式

S u p p o r t ( X ⇒ Y ) = S u p p o r t ( X ∪ Y ) = c o u n t ( X ∪ Y ) c o u n t ( D ) \rm Support (X \Rightarrow Y) = Support (X \cup Y) = \cfrac{count (X \cup Y)}{count (D)} Support(XY)=Support(XY)=count(D)count(XY)

计算支持度 ;


c o u n t ( X ∪ Y ) \rm count (X \cup Y) count(XY) 指的是 数据集 D \rm D D 中含有项集 X ∪ Y \rm X \cup Y XY 的事务个数 ;

含有 X ∪ Y = { 尿 布 , 啤 酒 } \rm X \cup Y=\{ 尿布 , 啤酒 \} XY={尿,} 项集的事务有 事务 2 \rm 2 2 , 事务 3 3 3 , 事务 4 4 4 , 得出 :

c o u n t ( X ∪ Y ) = 3 \rm count (X \cup Y) = 3 count(XY)=3


c o u n t ( D ) \rm count(D) count(D) 指的是 数据集 D \rm D D 的事务总数 ; 得出

c o u n t ( D ) = 5 \rm count(D) = 5 count(D)=5


则计算支持度 :

S u p p o r t ( X ⇒ Y ) = S u p p o r t ( X ∪ Y ) = c o u n t ( X ∪ Y ) c o u n t ( D ) \rm Support (X \Rightarrow Y) = Support (X \cup Y) = \cfrac{count (X \cup Y)}{count (D)} Support(XY)=Support(XY)=count(D)count(XY)

S u p p o r t ( X ) = S u p p o r t ( X ∪ Y ) = 3 5 \rm Support (X) = Support (X \cup Y) = \cfrac{3}{5} Support(X)=Support(XY)=53

文章来源: hanshuliang.blog.csdn.net,作者:韩曙亮,版权归原作者所有,如需转载,请联系作者。

原文链接:hanshuliang.blog.csdn.net/article/details/109672614

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。