关联规则

18

注意
避免产生太多不必要的候选
不必要的候选:至少有一个子集是非频繁的
确保候选项集的集合是完全的
不遗漏任何可能的频繁项集
不重复产生候选项集
{a,
b, c, d }可能会通过多种方法产生: 合并{a, b, c}和 {d }，合并{b, d }和{a, c}，合并{c}和{a, b, d }
List of Candidates
N
M
w
时间复杂度
~ O(NMw)，这种方法的开销可能非常大。
降低产生频繁项集计算复杂度的方法

减少候选项集的数量 (M)
先验(apriori)原理

减少比较的次数 (NM)
替代将每个候选项集与每个事务相匹配，可以使用
更高级的数据结构，或存储候选项集或压缩数据集， 来减少比较次数
1 2 3 4 5
Bread, Milk Bread, Diaper, Beer, Eggs Milk, Diaper, Beer, Coke Bread, Milk, Diaper, Beer Bread, Milk, Diaper, Coke



Observations: 都源于同一个项集: {Milk, Diaper, Beer} 相同的支持度，不同的置信度
关联规则挖掘问题

关联规则挖掘问题：给定事务的集合 T, 关联规则发现 是指找出支持度大于等于 minsup，并且置信度大于等 于minconf的所有规则 （其中，minsup和minconf是对应 的支持度和置信度阈值）
挖掘关联规则的一种原始方法是：Brute-force approach:

{啤酒,尿布}+{面包} {面包,尿布}+{啤酒}
候选产生 项集 {啤酒，尿布，面包 } {啤酒，尿布，牛奶 } {面包，尿布，牛奶 } {面包，牛奶，啤酒 }
候选剪枝 项集 {面包，尿布，牛奶}
频繁1-项集
项 啤酒 面包 尿布 牛奶
候选的产生与剪枝

Fk 1 F1方法

这种方法用其他频繁项来扩展每个频繁（k-1）-项集 这种方法将产生O(| Fk 1 | | F1 |)个候选k-项集，其中|Fj|表示频 繁j-项集的个数。这种方法总复杂度是 O(k k | Fk 1 || F1 |) 这种方法是完备的，因为每一个频繁k-项集都是由一个频 繁（k-1）-项集和一个频繁1-项集组成的。因此，所有的 频繁k-项集是这种方法所产生的候选k-项集的一部分。 然而，这种方法很难避免重复地产生候选项集。 如：{面包，尿布，牛奶}不仅可以由合并项集{面包，尿 布}和{牛奶}得到，而且还可以由合并{面包，牛奶}和{尿 布}得到，或由合并{尿布，牛奶}和{面包}得到。
定义: 频繁项集（Frequent Itemset）

项集（Itemset）

包含0个或多个项的集合 例子: {Milk, Bread, Diaper} k-项集 如果一个项集包含k个项 包含特定项集的事务个数 例如： ({Milk, Bread,Diaper}) = 2 包含项集的事务数与总事务数的比值 例如： s({Milk, Bread, Diaper}) = 2/5 满足最小支持度阈值（ minsup ）的所 有项集
Example:
{Milk, Diaper} Beer
s
c
– 置信度 Confidence (c)
确定Y在包含X的事
(Milk , Diaper, Beer )
|T|
务中出现的频繁程度
2 0.4 5
(Milk, Diaper, Beer ) 2 0.67 (Milk , Diaper ) 3
它使用产生-测试策略来发现频繁项集。在每次迭代，新 的候选项集由前一次迭代发现的频繁项集产生，然后对 每个候选的支持度进行计数，并与最小支持度阈值进行 比较。


该算法需要的总迭代次数是kmax+1，其中kmax是频繁项集 的最大长度
2.3候选的产生与剪枝(构造apriori-gen函数)

（1）蛮力方法
2.1先验原理（ Apriori principle）

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

相反，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:
这种基于支持度度量修剪指数搜索空间的策略称为
基于支持度的剪枝（support-based pruning） 这种剪枝策略依赖于支持度度量的一个关键性质， 即一个项集的支持度决不会超过它的子集的支持度。 这个性质也称为支持度度量的反单调性（antimonotone）。
关联规则: 基本概念和算法
1 定义:关联分析（association analysis）


关联分析用于发现隐藏在大型数据集中有意义的 联系，所发现的模式通常用关联规则或频繁项集 的形式表示。 除购物篮数据以外，关联分析可以应用于生物信 息学、医疗诊断、网页挖掘、科学数据分析等
Items
TID
1 2 3 4 5

计算每个可能规则的支持度和置信度 这种方法计算代价过Байду номын сангаас，因为可以从数据集提取的规则的数 量达指数级

从包含d个项的数据集提取的可能规则的总数
R=3d-2d+1+1，如果d等于6，则R=602
挖掘关联规则（Mining Association Rules）

大多数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主要的子任务:
Mining Association Rules
TID Items
Example of Rules:
{Milk,Diaper} {Beer} (s=0.4, c=0.67) {Milk,Beer} {Diaper} (s=0.4, c=1.0) {Diaper,Beer} {Milk} (s=0.4, c=0.67) {Beer} {Milk,Diaper} (s=0.4, c=0.67) {Diaper} {Milk,Beer} (s=0.4, c=0.5) {Milk} {Diaper,Beer} (s=0.4, c=0.5)
Bread, Milk Bread, Diaper, Beer, Eggs Milk, Diaper, Beer, Coke Bread, Milk, Diaper, Beer Bread, Milk, Diaper, Coke
Rules Discovered:
{Diaper} --> {Beer}
TID
Items


支持度计数（Support count ）()

1 2 3 4 5
Bread, Milk Bread, Diaper, Beer, Eggs Milk, Diaper, Beer, Coke Bread, Milk, Diaper, Beer Bread, Milk, Diaper, Coke
null
格结构（lattice structure）
A B C D E
AB
AC
AD
AE
BC
BD
BE
CD
CE
DE
ABC
ABD
ABE
ACD
ACE
ADE
BCD
BCE
BDE
CDE
ABCD
ABCE
ABDE
ACDE
BCDE
ABCDE
频繁项集产生（Frequent Itemset Generation）

原始方法（Brute-force 方法）:
19

蛮力方法: 把所有的k-项集都看作可能的候选，然后使
用候选剪枝除去不必要的候选
候选产生 项集 {啤酒，面包，可乐 } {啤酒，面包，尿布 } {啤酒，面包，牛奶 } {啤酒，面包，鸡蛋 } {啤酒，可乐，尿布 } {啤酒，可乐，牛奶 } {啤酒，可乐，鸡蛋 } {啤酒，尿布，牛奶 } {啤酒，尿布，鸡蛋 } {啤酒，牛奶，鸡蛋 } {面包，可乐，尿布

支持度（Support）


频繁项集（Frequent Itemset）

定义: 关联规则（Association Rule）

关联规则 – 关联规则是形如 X Y的蕴含表达 式, 其中 X 和 Y 是不相交的项集 – 例子: {Milk, Diaper} {Beer}
TID
Items
蛮力方法把所有的k-项集都看作可能的候选，然后
使用候选剪枝除去不必要的候选 k 第k层产生的候选项集的数目为 Cd
虽然候选产生是相当简单的，但是候选剪枝的开销
极大，因为必须考察的项集数量太大。 设每一个候选项集所需的计算量为O(k)，这种方法 的总复杂度为
k O( kCd ) O(d 2d 1 ) k 1 d
Count 3 2 3 2 3 3
Triplets (3-itemsets)
Itemset {Bread,Milk,Diaper} Count 3
Apriori 算法
Apriori 算法

Apriori算法的频繁项集产生的部分有两个重要的特点：

它是一个逐层算法。即从频繁1-项集到最长的频繁项集， 它每次遍历项集格中的一层
1.
频繁项集产生（Frequent Itemset Generation）
–
其目标是发现满足最小支持度阈值的所有项集，这些项集 称作频繁项集。
2.
规则的产生（Rule Generation）
–