机器学习：关联规则：Apriori算法、FP - Growth算法的原理、应用场景及优缺点介绍

一、关联规则算法概述

关联规则挖掘是数据挖掘中的一个重要任务，用于发现数据集中不同项之间的关联关系。

二、Apriori算法

1. 原理

   • 频繁项集生成：Apriori算法基于一个先验原理，即如果一个项集是频繁的，那么它的所有子集也是频繁的；反之，如果一个项集是非频繁的，那么它的所有超集也是非频繁的。首先，扫描数据集，统计每个单项（1 - 项集）的出现次数，找出满足最小支持度阈值的频繁1 - 项集。然后，通过频繁$k-1$ - 项集来生成候选$k$ - 项集，再扫描数据集计算候选$k$ - 项集的支持度，筛选出频繁$k$ - 项集。这个过程不断迭代，直到不能生成新的频繁项集为止。
   • 关联规则生成：对于每个频繁项集$L$，生成所有可能的非空子集。对于每个非空子集$A$，计算关联规则$A\Rightarrow B$（其中$B=L-A$）的置信度，置信度计算公式为：
     Confidence(A⇒B)=Support(A∪B)Support(A)Confidence(A\Rightarrow B)=\frac{Support(A\cup B)}{Support(A)}Confidence(A⇒B)=Support(A)