引言:
Apriori算法是第一个关联规则挖掘算法。它基于Apriori原理,用支持度做度量,迭代产生频繁项集;对频繁项集,使用置信度做度量,最后发现关联规则。
本文用到的部分术语已在简介中介绍(具体看‘基本概念-关联分析’),这里不再重述。
一、Apriori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,如果项集是非频繁的,则它的所有超集也一定是非频繁的。
二、发现频繁项集
假定事务总数为N,支持度阈值是minsup,发现频繁项集的过程如下(理论上,存在许多产生候选项集的方法,本例使用支持度阈值来产生):
①初始时每个项都被看作候选1-项集。计数对它们的支持度之后,将支持度少于阈值的候选项集丢弃,生成频繁1-项集。
②在第二次迭代,依据Apriori原理(即所有非频繁的1-项集的超集都是非频繁的),仅使用频繁1-项集来产生候选2-项集。此时生成的候选2-项集有多个,将支持度少于阈值的候选项集丢弃,生成频繁2-项集。
③经过多次迭代,每次用上一次生成的频繁n-项集产生新的候选(n+1)-项集,直至没有发现频繁(n+1)-项集,则得到的频繁n-项集就是最终结果。
例1
下图是一个购物篮事务的例子。
TID | 项集 |
---|---|
1 | {面包,牛奶} |
2 | {面包,尿布,啤酒,鸡蛋} |
3 | {牛奶,尿布,啤酒,可乐} |
4 | {面包,牛奶,尿布,啤酒} |
5 | {面包,牛奶,尿布,可乐} |
假定支持度阈值是60%,相当于支持度计数为5*60%=3。
①初始时每个项都被看作候选1-项集,即候选1-项集={面包,牛奶,尿布,啤酒,鸡蛋,可乐},其中{可乐}和{鸡蛋}出现的事务少于3,即支持度少于支持度阈值,丢弃得频繁1-项集={面包,牛奶,尿布,啤酒}。
②由于只有4个频繁1项集,因此算法产生的候选2-项集的数目为
。计算它们的支持度后,发现这6个候选项集中的2个{啤酒,面包}和{啤酒,牛奶}是非频繁的,丢弃得频繁2-项集={面包,牛奶},{面包,尿布},{牛奶,尿布},{啤酒,尿布}。
③用频繁2-项集生成候选3-项集(将含有1个相同项的集合合并),得到候选3-项集={面包,牛奶,尿布},{面包,啤酒,尿布},{牛奶,啤酒,尿布};丢弃支持度少于支持度阈值的项,最后得频繁3-项集为空集,则可得频繁2-项集={面包,牛奶},{面包,尿布},{牛奶,尿布},{啤酒,尿布}为最终结果。
三、发现关联规则
发现关联规则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是对应的支持度阈值和置信度阈值。
设Y是频繁项集,关联规则可以这样提取:将项集Y划分成两个非空的子集X和Y-X,使得X->Y-X满足置信度阈值(注意:这里的规则必然已经满足支持度阈值,因为它们是由频繁项集产生的)。
例2
设Y={1,2,3}是频繁项集,可以由Y产生6个候选关联规则:{1,2}->{3},{1,3}->{2},{2,3}->{1},{1}->{1,2},{2}->{1,3},{3}->{1,2}。6个候选关联规则中满足置信度阈值的关联规则,就是我们最终需要的结果。
四、代码实现(python)
以下代码来自Peter Harrington《Machine Learing in Action》。
代码如下(保存为apriori.py)
# -- coding: utf-8 --
from numpy import *
def loadDataSet():
return [[1, 3, 4], [2, 3, 5], [1, 2, 3, 5], [2, 5]]
def createC1(dataSet):
# 该函数构建集合C1:候选1-项集
C1 = []
for transaction in dataSet:
for item in transaction:
if not [item] in C1:
C1.append([item])
C1.sort()
return map(frozenset, C1)
def scanD(D, Ck, minSupport):
# 该函数接收3个参数,分别是数据集、候选k-项集、支持度阈值;该函数用于生成频繁项集
ssCnt = {}
for tid in D:
for can in Ck:
if can.issubset(tid):
if not ssCnt.has_key(can): ssCnt[can]=1
else: ssCnt[can] += 1
numItems = float(len(D))
retList = [] # retList存储大于支持度阈值的候选1-项集,即频繁1-项集
supportData = {} # supportDatacunc存储各候选1-项集的支持度
for key in ssCnt:
support = ssCnt[key]/numItems
if support >= minSupport:
retList.insert(0,key)
supportData[key] = support
return retList, supportData
def aprioriGen(Lk, k):
# 该函数接收2个参数,分别是频繁(k-1)-项集、k;该函数用于生成候选项集
retList = [] # 存储候选k-项集
lenLk = len(Lk)
for i in range(lenLk):
for j in range(i+1, lenLk):
L1 = list(Lk[i])[:k-2]
L2 = list(Lk[j])[:k-2]
L1.sort()
L2.sort()
if L1==L2:
retList.append(Lk[i] | Lk[j]) # 前k-2个项相同,合并Lk[i]与Lk[j]
return retList
def apriori(dataSet, minSupport = 0.5):
# 该函数接收2个参数,分别是数据集、支持度阈值(默认0.5)
C1 = createC1(dataSet) # 创建候选1-项集
D = map(set, dataSet)
L1, supportData = scanD(D, C1, minSupport) # L1为频繁1-项集,supportData存储各候选1-项集的支持度
L = [L1]
k = 2
while (len(L[k-2]) > 0):
# 循环各频繁(k-1)-项集,直至为空
Ck = aprioriGen(L[k-2], k) # Ck为候选k-项集
Lk, supK = scanD(D, Ck, minSupport) # Lk为频繁k-项集,supportData存储各候选k-项集的支持度
supportData.update(supK) # 存储各候选项集的支持度
L.append(Lk) # 将新生成的频繁k-项集添加进频繁项集数组
k += 1
return L, supportData
def generateRules(L, supportData, minConf=0.7):
# 该函数接收3个参数,分别是频繁项集、包含项集的支持度字典、置信度阈值;
bigRuleList = []
for i in range(1, len(L)):
for freqSet in L[i]:
H1 = [frozenset([item]) for item in freqSet]
if (i > 1):
# 项集数目大于3执行次函数
rulesFromConseq(freqSet, H1, supportData, bigRuleList, minConf)
else:
# 频繁2-项集执行此函数
calcConf(freqSet, H1, supportData, bigRuleList, minConf)
return bigRuleList
def calcConf(freqSet, H, supportData, brl, minConf=0.7):
# 该函数接收5个参数,分别是用于计算的频繁项集、此项集各个元素、包含项集的支持度字典、关联规则数组、置信度阈值;
prunedH = []
for conseq in H:
conf = supportData[freqSet]/supportData[freqSet-conseq] # 计算置信度
if conf >= minConf:
print freqSet-conseq,'-->',conseq,'conf:',conf
brl.append((freqSet-conseq, conseq, conf))
prunedH.append(conseq)
return prunedH
def rulesFromConseq(freqSet, H, supportData, brl, minConf=0.7):
# 该函数接收5个参数,分别是用于计算的频繁项集、此项集各个元素、包含项集的支持度字典、关联规则数组、置信度阈值;
m = len(H[0])
if (len(freqSet) > (m + 1)):
Hmp1 = aprioriGen(H, m+1) # 将H中的元素两两合并
Hmp1 = calcConf(freqSet, Hmp1, supportData, brl, minConf) # 计算置信度
if (len(Hmp1) > 1):
rulesFromConseq(freqSet, Hmp1, supportData, brl, minConf)
运行命令如下:
以上全部内容参考书籍如下:
《数据挖掘导论(完整版)》人民邮电出版社
Peter Harrington《Machine Learing in Action》