【資料探勘】Apriori演算法
關聯分析:在大資料中尋找有趣的關係,包括頻繁項集或者關聯規則。頻繁項集是指經常一起出現的物品的集合,關聯關係暗示兩種物品之間可能存在很強的關係。這種關聯分析有什麼用呢?根據常識,經常一起出現的可能有某種關係,比如商品A和商品B在同一個頻繁項集裡,那麼可能說明購買商品A的人會選擇購買商品B,或者反過來。那麼商家就可以利用這個資訊,將頻繁項集的物品擺放在一起,以希望提高營業額。又或者網上購物時,可以根據頻繁項集來給使用者進行推薦,往往能收到很好的效果。
那麼怎麼確定頻繁項集呢?我們需要依靠支援度和置信度。
支援度的定義是:資料集中包含該項集所佔的比例。假如有[1,3,5],[1,2,3],[1,3,4],[2,3,4]這四個原始資料,可以看到4個數據中[1]出現了3次,那麼[1]的支援度就是3/4。我們可以通過定義一個最小支援度
置信度的定義是:在A出現的情況下,B出現在同一個項集的概率。即P(B|A)=P(AB)/P(A)。比如[1,3,5],[1,2,3],[1,3,4],[2,3,4]這四個資料,[2]的支援度為0.5,[2,4]的支援度為0.25,那麼關聯規則[2]→[4]的置信度為0.25/0.5=0.5。與最小支援度相對,也有最小置信度。如果一個關聯規則大於最小置信度,則稱為強關聯規則。否則稱為弱關聯規則。
Apriori規則:頻繁項集的所有非空子集也必須是頻繁的。換句話說,如果一個項集的子集中包含非頻繁項集,那這個項集我們就不用考慮了,因為他一定不是頻繁項集。有n個元素的集合,如果窮舉他的集合的話,時間複雜度將達到指數級。利用Apriori規則,我們可以將時間複雜度降低到可以接受的程度。
Apriori舉例:
原始項集:[1,3,4],[2,3,5],[1,2,3,5],[2,5],最小支援度為0.5
第一次掃描:[1][2][3][5] ([4]因為支援度為0.25小於0.5被排除,根據Apriori規則,包含[4]的集合都不可能是頻繁項集,因此之後的演算法不用考慮[4])
候選集合:[1,2],[1,3],[1,5],[2,3],[2,5],[3,5]
第二次掃描:[2,3],[2,5],[1,3],[3,5](其餘不符合最支援度)
候選集合:[2,3,5](為什麼[1,3,5]不見了?因為[1,2],[1,5]都不是頻繁項集,根據Apriori規則,他也不可能是頻繁項集)
第三次掃描[2,3,5].
最終產生的頻繁項集:[1],[2],[3],[5],[2,3],[2,5],[1,3],[3,5],[2,3,5]
python程式碼:
# -*- coding: utf-8 -*-
from numpy import *
import itertools
support_dic = {}
# 生成原始資料,用於測試
def loadDataSet():
return [[1, 3, 4], [2, 3, 5], [1, 2, 3, 5], [2, 5]]
# 獲取整個資料庫中的一階元素
# C1 = {1, 2, 3, 4, 5}
def createC1(dataSet):
C1 = set([])
for item in dataSet:
C1 = C1.union(set(item))
return [frozenset([i]) for i in C1]
# 輸入資料庫(dataset) 和 由第K-1層資料融合後得到的第K層資料集(Ck),
# 用最小支援度(minSupport)對 Ck 過濾,得到第k層剩下的資料集合(Lk)
def getLk(dataset, Ck, minSupport):
global support_dic
Lk = {}
# 計算Ck中每個元素在資料庫中出現次數
for item in dataset:
for Ci in Ck:
if Ci.issubset(item):
if not Ci in Lk:
Lk[Ci] = 1
else:
Lk[Ci] += 1
# 用最小支援度過濾
Lk_return = []
for Li in Lk:
support_Li = Lk[Li] / float(len(dataSet))
if support_Li >= minSupport:
Lk_return.append(Li)
support_dic[Li] = support_Li
return Lk_return
# 將經過支援度過濾後的第K層資料集合(Lk)融合
# 得到第k+1層原始資料Ck1
'''連線步'''
def genLk1(Lk):
Ck1 = []
for i in range(len(Lk) - 1):
for j in range(i + 1, len(Lk)):
if sorted(list(Lk[i]))[0:-1] == sorted(list(Lk[j]))[0:-1]:
Ck1.append(Lk[i] | Lk[j])
return Ck1
# 遍歷所有二階及以上的頻繁項集合
def genItem(freqSet):
for i in range(1, len(freqSet)):
for freItem in freqSet[i]:
genRule(freItem)
# 輸入一個頻繁項,根據“置信度”生成規則
# 採用了遞迴,對規則樹進行剪枝
def genRule(Item, minConf=0.5):
if len(Item) >= 2:
for element in itertools.combinations(list(Item), 1):
if support_dic[Item] / float(support_dic[Item - frozenset(element)]) >= minConf:
print(str([Item - frozenset(element)]) + "----->" + str(element))
print(support_dic[Item] / float(support_dic[Item - frozenset(element)]))
genRule(Item - frozenset(element))
# 輸出結果
if __name__ == '__main__':
dataSet = loadDataSet()
result_list = []
print(dataSet)
Ck = createC1(dataSet)
print(Ck)
# 迴圈生成頻繁項集合,直至產生空集
while True:
Lk = getLk(dataSet, Ck, 0.5)
if not Lk:
break
result_list.append(Lk)
Ck = genLk1(Lk)
if not Ck:
break
# 輸出頻繁項及其“支援度”
print(support_dic)
# 輸出規則
genItem(result_list)