提高apriori演算法的有效性
主要的挑戰：
1. 要對資料進行多次掃瞄
2. 會產生大量的候選集
3. 對候選項集的支援度計算會非常繁瑣
解決思路
1. 減少對資料的掃瞄
2. 縮小產生的候選項集
3. 改進對候選項集的支援度的計算方法
方法1：基於hash表的項集計數
將每個項集通過相應的hash函式對映到hash表中的不同的桶中，這樣可以將桶中的項集計數跟最小支援度計數相比較，先淘汰一部分項集。
（淘汰整個桶）
方法2：事務壓縮（壓縮進一步迭代的事務數）
不包含任何k項集的事務不可能包含任何（k+1）項集，這種事務在下一步的計算中可以加上標記或刪除
方法3：劃分
挖掘頻繁項集只需要2次資料掃瞄
d中的任何頻繁項集必須作為區域性頻繁項集至少出現在乙個部分中
第一次掃瞄：將資料劃分為多個部分並找到區域性頻繁項集
第二次掃瞄：評估每個候選項集的實際支援度，以確定全域性頻繁項集。
方法4：選樣（在給定資料的乙個子集挖掘）
基本思想：選擇原始資料的乙個樣本，在這個樣本上用apriori演算法挖掘頻繁模式
通過犧牲精確度來減少演算法開銷，為了提高效率，樣本大小應該可以放在記憶體中為宜，可以適當降低最小支援度來減少遺漏的頻繁模式。
可以通過一次全域性掃瞄來驗證從樣本中發現的模式
可以通過第二次全域性掃瞄來找到遺漏的模式
方法5：動態項集計數
在掃瞄的不同點新增候選項集，這樣，如果乙個候選項集已經滿足最小支援度，則在可以直接將它新增到頻繁項集，而不必在這次掃瞄的以後對比中繼續計算。
從資料庫構建乙個fp樹
apriori演算法的主要開銷：
可能要產生大量的候選項集
(10,4)個頻繁1-項集會導致（10,7）個頻繁2-項集
對長度為100的頻繁模式，會產生（2,100）個候選
重複掃瞄資料庫，通過模式匹配檢查乙個很大的候選集合
不產生候選頻繁項集的演算法-fp樹頻集演算法
一種採用divide and conquer的方法
在經過第一遍掃瞄之後，把資料庫的頻集壓縮進一顆頻繁模式樹（fp-tree）,同時依然保留其中的關聯資訊
將fp-tree分化成一些條件庫，每個庫和乙個長度為1的頻集相關，然後再對這些條件庫分別進行挖掘。
從資料庫構建乙個fp樹
步驟：1. 掃瞄一次資料庫，匯出頻繁項的集合（1-項集）
2. 將頻繁項按降序排列
3. 再次掃瞄資料庫，構建fp樹
fp樹挖掘
1. 建立樹的根節點，用null標記
2. 將每個事務中的項按遞減支援度計數排列，並對每個事務建立乙個分支
3. 當為乙個事務考慮增加分支時，沿共同字首上的每乙個節點的計數+1，為跟隨字首後的項建立節點並連線
比如將第二個事務加到樹上時，將為f,c,a各增計數1，然後為建立分支
4. 建立乙個項頭表，以方便遍歷，每個項通過乙個節點鏈指向它在樹中的出現。
fp樹的挖掘步驟：
由長度為1的頻繁模式（初始字尾模式）開始，構造它的條件模式基（乙個「子資料庫」，由fp樹中與字尾模式一起出現的字首路徑集組成）
構造該初始字尾模式的條件fp樹，並遞迴的在該樹上實現挖掘。模式增長通過字尾模式與條件fp樹產生的頻繁模式連線實現。
Apriori演算法 關聯分析
apriori演算法是資料探勘演算法中的重要一員，它是通過對資料集進行關聯分析，從而分析出資料集裡項與項之間的關聯關係。演算法最簡單直接的應用，當屬對超市裡被購買的物品的關聯分析，從而挖掘出顧客購買產品及其附屬產品的關係，例如經典的尿布與啤酒，或者現在各大電商 上，當入手一樣物品後，會給推送來各種很...
關聯分析演算法Apriori介紹
apriori 演算法其名字是因為演算法基於先驗知識 prior knowledge 根據前一次找到的頻繁項來生成本次的頻繁項。apriori 是關聯分析中核心的演算法。apriori 演算法的特點 只能處理分類變數，無法處理數值型變數 資料儲存可以是交易資料格式 事務表 或者是事實表方式 資料 演...
關聯分析（一） Apriori演算法
關聯分析分為非時序關聯分析和時序關聯分析，其中非時序關聯分析採用apriori演算法，利用先驗知識產生頻繁項集以及關聯規則，而時序關聯分析採用gsp演算法。apriori演算法 其名字是因為演算法基於先驗知識 prior knowledge 根據前一次找到的頻繁項來生成本次的頻繁項。apriori是...