机器学习：基于Apriori算法对中医病症辩证关联规则分析

系列文章目录

作者：i阿极

作者简介：Python领域新星作者、多项比赛获奖者：博主个人首页

😊😊😊如果觉得文章不错或能帮助到你学习，可以点赞👍收藏📁评论📒+关注哦！👍👍👍

📜📜📜如果有小伙伴需要数据集和学习交流，文章下方有交流学习区！一起学习进步！💪

---

大家好，我i阿极。喜欢本专栏的小伙伴，请多多支持

专栏案例：机器学习案例
机器学习(一)：线性回归之最小二乘法
机器学习(二)：线性回归之梯度下降法
机器学习(三)：基于线性回归对波士顿房价预测
机器学习(四)：基于KNN算法对鸢尾花类别进行分类预测
机器学习(五)：基于KNN模型对高炉发电量进行回归预测分析
机器学习(六)：基于高斯贝叶斯对面部皮肤进行预测分析
机器学习(七)：基于多项式贝叶斯对蘑菇毒性分类预测分析
机器学习(八)：基于PCA对人脸识别数据降维并建立KNN模型检验
机器学习(十四)：基于逻辑回归对超市销售活动预测分析
机器学习(十五)：基于神经网络对用户评论情感分析预测
机器学习(十六)：基于Kmeans聚类算法对银行客户进行分类
机器学习(十七)：基于支持向量机（SVM）进行人脸识别预测
机器学习(十八)：基于逻辑回归对优惠券使用情况预测分析
机器学习(十九）：基于逻辑回归对某银行客户违约预测分析
机器学习(二十)：LightGBM算法原理（附案例实战）
机器学习(二十一)：基于朴素贝叶斯对花瓣花萼的宽度和长度分类预测
机器学习(二十二)：基于逻辑回归（Logistic Regression）对股票客户流失预测分析

---

---

1、Apriori算法模型原理

Apriori算法是一种经典的关联规则挖掘算法，用于发现数据集中频繁出现的项集和关联规则。该算法基于一种称为"先验原理"的观念，即如果一个项集是频繁的，那么它的所有子集也必须是频繁的。通过利用这个原理，Apriori算法逐步构建频繁项集，并生成关联规则。

下面是Apriori算法的详细步骤：

• 确定最小支持度阈值： 用户需要指定一个最小支持度阈值，用于筛选出频繁项集。支持度定义为某个项集在数据集中出现的频率。

• 生成候选项集： 初始时，算法将每个项作为单独的候选项集。然后，通过扫描数据集，计算每个候选项集的支持度，并筛选出满足最小支持度阈值的频繁一项集。

• 组合生成更高阶的候选项集： 对于频繁一项集，算法使用连接操作生成候选项集。连接操作是指将两个频繁项集合并为一个更高阶的候选项集。具体来说，对于每个频繁k-1项集，算法将其按字典序排序，并两两组合生成候选k项集。

• 剪枝步骤： 在生成候选项集后，需要进行剪枝操作以减少计算量。剪枝操作通过检查候选项集的所有(k-1)项子集是否都是频繁项集来实现。如果存在某个(k-1)项子集不是频繁项集，则将候选项集删除。

• 计算候选项集的支持度： 对剪枝后的候选项集，再次扫描数据集，计算它们的支持度，并筛选出满足最小支持度阈值的频繁项集。

• 重复步骤3至步骤5： 重复进行组合生成候选项集、剪枝和计算支持度的步骤，直到无法生成更高阶的候选项集为止。