本文主要是介绍频繁项集挖掘以及关联规则的基本概念，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一.几个基本概念
1.支持度计数：即包含含特定项集的事务个数。
2.支持度：
计算方式：对于关联规则X–>Y，s=support(X∪Y）/N，其中，N为事务的个数，support(X∪Y)为项集{X，Y}的支持度计数。
3.置信度：对于关联规则X–>Y，c=support(X∪Y）/support(X)。
4.为什么要使用支持度和置信度？
支持度：是一种重要度量，因为支持度很低的规则可能只是偶然出现。因此，支持度通常用来删去那些毫无意义的规则。
置信度：对于给定的规则X–>Y,置信度越高，Y在包含X的事务中出现的可能性就越大。
注意：由关联规则作出的推论并不必然蕴含因果关系，它只表示前件和后件中的项明显地同时出现。
二.Apriori算法的思想
大多数的关联规则挖掘算法通常采用的一种策略是，将关联规则挖掘任务分解为如下两个子任务：
1.频繁项集的产生:何为频繁项集？即目标满足支持度大于等于最小支持度阈值的所有项集，这些项集称作频繁项集(frequent itemset).
2.规则的产生：其目标是从上一步发现的频繁项集中提取所有高置信度的规则，这项规则称作强规则。何为强规则？即同时满足最小支持度阈值又满足最小置信度的规则，称作强关联规则。
三.Apriori算法的频繁项集产生
两个原理：1）先验原理：如果一个项集是频繁的，则它的所有子集一定也是频繁的。2）反单调性：如果一个项集是非频繁的，则它的所有超集也一定是非频繁的。过程：1)自然连接获取候选集
一.几个基本概念
1.支持度计数：即包含含特定项集的事务个数。
2.支持度：
计算方式：对于关联规则X–>Y，s=support(X∪Y）/N，其中，N为事务的个数，support(X∪Y)为项集{X，Y}的支持度计数。
3.置信度：对于关联规则X–>Y，c=support(X∪Y）/support(X)。
4.为什么要使用支持度和置信度？
支持度：是一种重要度量，因为支持度很低的规则可能只是偶然出现。因此，支持度通常用来删去那些毫无意义的规则。
置信度：对于给定的规则X–>Y,置信度越高，Y在包含X的事务中出现的可能性就越大。
注意：由关联规则作出的推论并不必然蕴含因果关系，它只表示前件和后件中的项明显地同时出现。
二.Apriori算法的思想
大多数的关联规则挖掘算法通常采用的一种策略是，将关联规则挖掘任务分解为如下两个子任务：
1.频繁项集的产生:何为频繁项集？即目标满足支持度大于等于最小支持度阈值的所有项集，这些项集称作频繁项集(frequent itemset).
2.规则的产生：其目标是从上一步发现的频繁项集中提取所有高置信度的规则，这项规则称作强规则。何为强规则？即同时满足最小支持度阈值又满足最小置信度的规则，称作强关联规则。
三.Apriori算法的频繁项集产生
两个原理：1）先验原理：如果一个项集是频繁的，则它的所有子集一定也是频繁的。2）反单调性：如果一个项集是非频繁的，则它的所有超集也一定是非频繁的。过程：1)自然连接获取候选集
2)对于候选集进行剪枝。如何剪枝呢？候选集的每一条记录T，如果它的支持度小于最小支持度，那么就会被剪掉；此外，如果一条记录T，它的子集有不是频繁集的，也会被剪掉。简单的讲，1、发现频繁项集，过程为：（1）扫描事务（2）计算计数（3）与阈值比较（4）产生频繁项集（5）连接、剪枝，产生候选项集 重复步骤（1）~（5）直到不能发现更大的频集。
算法：频繁项集的产生
四.由频繁项集产生关联规则
2)对于候选集进行剪枝。如何剪枝呢？候选集的每一条记录T，如果它的支持度小于最小支持度，那么就会被剪掉；此外，如果一条记录T，它的子集有不是频繁集的，也会被剪掉。简单的讲，1、发现频繁项集，过程为：（1）扫描事务（2）计算计数（3）与阈值比较（4）产生频繁项集（5）连接、剪枝，产生候选项集 重复步骤（1）~（5）直到不能发现更大的频集。
算法：频繁项集的产生
四.由频繁项集产生关联规则
这篇关于频繁项集挖掘以及关联规则的基本概念的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
