22、关联模式挖掘：高级概念解析

关联模式挖掘：高级概念解析

1. 近似频繁模式挖掘

近似频繁模式挖掘方案大多是有损的，因为它们不会保留项集的所有信息。模式的近似可以通过以下两种方式进行：
- 基于事务的描述 ：闭包属性从项集在事务中的成员关系角度对项集进行无损描述。“近似闭包”的概念是对这一标准的推广，允许在闭包定义的支持值上有一定的“浮动”。
- 基于项集本身的描述 ：将频繁项集进行聚类，从每个聚类中选取代表项集来提供简洁的摘要。这里的“浮动”体现在代表项集与其余项集之间的距离上。

这两种描述方式能带来不同的见解。前者基于事务成员关系，后者基于项集结构。例如，在一个 10 - 项集 X 的子集中，一个 9 - 项集的支持度可能更高，但一个 1 - 项集的支持度可能与 X 完全相同。在基于事务成员关系的定义中，10 - 项集和 1 - 项集“几乎”冗余；在基于项集结构的定义中，10 - 项集和 9 - 项集“几乎”冗余。

1.1 基于事务的近似

闭包属性从事务角度描述项集以及不同项集的等价性。“近似闭包”是对这一概念的推广。在精确闭包的情况下，会选择特定支持值下的最大超集；而在近似闭包中，允许在支持值范围 δ 内有一定的“浮动”。

所有频繁项集 F 可以被分割成 k 个“几乎等支持度”的不相交组 F1…Fk，使得对于任何组 Fi 中的任意一对项集 X 和 Y，|sup(X) - sup(Y)| 的值最多为 δ。从每个组 Fi 中，只报告最大频繁代表项集。当 δ 为 0 时，这就是精确的闭项集。

确定“几乎等支持度”组的范围有多种方法。一种贪心的方法是总是