Apriori改进算法

一、 实验背景

Apriori算法广泛应用于商业中，应用于消费市场价格分析中，它能够很快的求出各种产品之间的价格关系和它们之间的影响。通过数据挖掘，市场商人可以瞄准目标客户，采用个人股票行市、最新信息、特殊的市场推广活动或其他一些特殊的信息手段，从而极大地减少广告预算和增加收入。百货商场、超市和一些老字型大小的零售店也在进行数据挖掘，以便猜测这些年来顾客的消费习惯。

二、实验目的

1.加强对Apriori算法的理解

2.提高分析解决问题 3.实践编程的能力

三、实验环境及工具

1.硬件环境:网络环境中的微型计算机 2.软件环境:Windows操作系统 3.编程语言:Java

4.数据库引擎:SQL Server 2014

四、Apriori算法思想

Apriori算法是一个挖掘关联规则的算法，是Agrawal等设计的一个基本算法，这是一个采用两阶段挖掘的思想，并且是基于多次扫描事务数据库来执行的。

Apriori算法的设计可以分解为两步骤来执行挖掘： a)从事务数据库（D）中挖掘出所有频繁项集。

支持度大于给定最小支持度minSup的项目集称为频繁项目集（Frequent ItemCollection）。首先需要挖掘出频繁1-项集；然后，继

龙源期刊网 http://www.qikan.com.cn

基于改进Apriori算法的肝癌手术治疗效果评价

作者：

来源：《软件工程师》2013年第08期

摘 要：本文将改进的Apriori关联规则算法应用于肝癌预后影响的预测中，通过20个具有代表性的样本数据，提取、化简得到一组规模合适的关联规则集，结合CBR技术对新案例诊断。最后，将关联规则集中的各个规则还原实际含义，从而对医生的诊断提供辅助方案。 关 键 词：数据挖掘；关联规则；CBR；肝癌

肝癌作为一种恶性肿瘤危害人类健康，治疗方案的选择极大影响肝癌患者的预后。目前对预后分析的方法有Logistic回归、Kaplan-Meier法、决策树法等，本文提出改进Apriori算法，不仅考虑预后影响，而且考虑各因素之间的影响，以期出现某一症状可预测下一症状，从而尽早预防。 数据预处理

对20组具有代表性的数据进行离散化处理，每一位都用布尔值去表示，“1”代表具有该种属性，“0”代表不具有该种属性。字母A—T作为区分20个样本号。数字1—30就是原有X1—X10细分后的原子属性，处理后结果如表1所示。

龙源期刊网 http://www.qikan.com.cn

基于改进Apriori算法的肝癌手术治疗效果评价

作者：

来源：《软件工程师》2013年第08期

摘 要：本文将改进的Apriori关联规则算法应用于肝癌预后影响的预测中，通过20个具有代表性的样本数据，提取、化简得到一组规模合适的关联规则集，结合CBR技术对新案例诊断。最后，将关联规则集中的各个规则还原实际含义，从而对医生的诊断提供辅助方案。 关 键 词：数据挖掘；关联规则；CBR；肝癌

肝癌作为一种恶性肿瘤危害人类健康，治疗方案的选择极大影响肝癌患者的预后。目前对预后分析的方法有Logistic回归、Kaplan-Meier法、决策树法等，本文提出改进Apriori算法，不仅考虑预后影响，而且考虑各因素之间的影响，以期出现某一症状可预测下一症状，从而尽早预防。 数据预处理

对20组具有代表性的数据进行离散化处理，每一位都用布尔值去表示，“1”代表具有该种属性，“0”代表不具有该种属性。字母A—T作为区分20个样本号。数字1—30就是原有X1—X10细分后的原子属性，处理后结果如表1所示。

题 目学生姓名学生学号专业班级指导教师

Apriori算法实现

2014-12-27

实验一 Apriori算法实现

一、 实验目的

1. 加强对Apriori算法的理解；

2. 锻炼分析问题、解决问题并动手实践的能力。

二、 实验要求

使用一种你熟悉的程序设计语言，如C++或Java，实现Apriori算法，至少在两种不同的数据集上比较算法的性能。

三、 实验环境

Win7 旗舰版 + Visual Studio 2010 语言：C++

四、 算法描述

1、 Apriori算法说明

在Apriori算法中，寻找频繁项集的基本思想是：

A. 简单统计所有含一个元素项目集出现的频率，找出不小于最小支持度的

项目集, 即频繁项集；

B. 从第二步开始，循环处理直到再没有最大项目集生成。循环过程是: 第

k步中, 根据第k-1步生成的频繁(k-1)项集产生侯选k项集。根据候选k项集，算出候选k项集支持度，并与最小支持度比较, 找到频繁k项集。 下文中遇到的以下符号,分别代表相应的内容 k-itemset k项集

Lk 频繁k项集 Ck 侯选k项集

2、 Apriori算法描述

数据结构说明

double minsup; //设置最

Apriori算法详解及java代码实现

1 Apriori介绍

Apriori算法使用频繁项集的先验知识，使用一种称作逐层搜索的迭代方法，k项集用于探索(k+1)项集。首先，通过扫描事务（交易）记录，找出所有的频繁1项集，该集合记做L1，然后利用L1找频繁2项集的集合L2，L2找L3，如此下去，直到不能再找到任何频繁k项集。最后再在所有的频繁集中找出强规则，即产生用户感兴趣的关联规则。

其中，Apriori算法具有这样一条性质：任一频繁项集的所有非空子集也必须是频繁的。因为假如P(I)< 最小支持度阈值，当有元素A添加到I中时，结果项集（A∩I）不可能比I出现次数更多。因此A∩I也不是频繁的。

2 连接步和剪枝步

在上述的关联规则挖掘过程的两个步骤中，第一步往往是总体性能的瓶颈。Apriori算法采用连接步和剪枝步两种方式来找出所有的频繁项集。 1） 连接步

为找出Lk（所有的频繁k项集的集合），通过将Lk-1（所有的频繁k-1项集的集合）与自身连接产生候选k项集的集合。候选集合记作Ck。设l1和l2是Lk-1中的成员。记li[j]表示li中的第j项。假设Apriori算法对事务或项集中的项按字典次序排序，即对于（k-1）项集li，li[1

Apriori算法详解及java代码实现

1 Apriori介绍

Apriori算法使用频繁项集的先验知识，使用一种称作逐层搜索的迭代方法，k项集用于探索(k+1)项集。首先，通过扫描事务（交易）记录，找出所有的频繁1项集，该集合记做L1，然后利用L1找频繁2项集的集合L2，L2找L3，如此下去，直到不能再找到任何频繁k项集。最后再在所有的频繁集中找出强规则，即产生用户感兴趣的关联规则。

其中，Apriori算法具有这样一条性质：任一频繁项集的所有非空子集也必须是频繁的。因为假如P(I)< 最小支持度阈值，当有元素A添加到I中时，结果项集（A∩I）不可能比I出现次数更多。因此A∩I也不是频繁的。

2 连接步和剪枝步

在上述的关联规则挖掘过程的两个步骤中，第一步往往是总体性能的瓶颈。Apriori算法采用连接步和剪枝步两种方式来找出所有的频繁项集。 1） 连接步

为找出Lk（所有的频繁k项集的集合），通过将Lk-1（所有的频繁k-1项集的集合）与自身连接产生候选k项集的集合。候选集合记作Ck。设l1和l2是Lk-1中的成员。记li[j]表示li中的第j项。假设Apriori算法对事务或项集中的项按字典次序排序，即对于（k-1）项集li，li[1

Apriori算法详解及java代码实现

1 Apriori介绍

Apriori算法使用频繁项集的先验知识，使用一种称作逐层搜索的迭代方法，k项集用于探索(k+1)项集。首先，通过扫描事务（交易）记录，找出所有的频繁1项集，该集合记做L1，然后利用L1找频繁2项集的集合L2，L2找L3，如此下去，直到不能再找到任何频繁k项集。最后再在所有的频繁集中找出强规则，即产生用户感兴趣的关联规则。

其中，Apriori算法具有这样一条性质：任一频繁项集的所有非空子集也必须是频繁的。因为假如P(I)< 最小支持度阈值，当有元素A添加到I中时，结果项集（A∩I）不可能比I出现次数更多。因此A∩I也不是频繁的。

2 连接步和剪枝步

在上述的关联规则挖掘过程的两个步骤中，第一步往往是总体性能的瓶颈。Apriori算法采用连接步和剪枝步两种方式来找出所有的频繁项集。 1） 连接步

为找出Lk（所有的频繁k项集的集合），通过将Lk-1（所有的频繁k-1项集的集合）与自身连接产生候选k项集的集合。候选集合记作Ck。设l1和l2是Lk-1中的成员。记li[j]表示li中的第j项。假设Apriori算法对事务或项集中的项按字典次序排序，即对于（k-1）项集li，li[1

- --

一、原Apriori算法

1、算法原理：

该算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集，使用了递推的方法

（1）L1 = find_frequent_1-itemsets(D); // 挖掘频繁1-项集，比较容易

（2）for (k=2;Lk-1 ≠Φ;k++) {

（3）Ck = apriori_gen(Lk-1 ,min_sup); // 调用apriori_gen方法生成候选频繁k-项集

（4）for each transaction t ∈D { // 扫描事务数据库D

（5）Ct = subset(Ck,t);

（6）for each candidate c ∈Ct

（7）c.count++; // 统计候选频繁k-项集的计数

（8）}

（9）Lk ={c ∈Ck|c.count≥min_sup} // 满足最小支持度的k-

一、 算法概念引入

? 什么是关联规则

按常规思维，尿布与啤酒风马牛不相及，若不是借助数据挖掘技术对大量交易数据进行挖掘分析，沃尔玛是不可能发现数据内在这一有价值的规律的。

数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性，就称为关联。关联可分为简单关联、时序关联、因果关联。关联分析的目的是找出数据库中隐藏的关联网。有时并不知道数据库中数据的关联函数，即使知道也是不确定的，因此关联分析生成的规则带有可信度。关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。Agrawal等于1993年首先提出了挖掘顾客交易数据库中项集间的关联规

则问题，以后诸多的研究人员对关联规则的挖掘问题进行了大量的研究。他们的工作包括对原有的算法进行优化，如引入随机采样、并行的思想等，以提高算法挖掘规则的效率；对关联规则的应用进行推广在数据挖掘中是一个重要的课题，最近几年已被业界所广泛研究。

? 经典案例1：尿布和啤酒的故事 关于这个算法有一个非常有名的故事：\尿布和啤酒\。故事是这样的：美国的妇女们经常会嘱咐她们的丈夫下班后为孩子买尿布，而丈夫在买完尿布后又要顺手买回自己爱喝的啤酒，因此啤酒和尿布在一起被购买

关联规则中Apriori算法的创新研究

摘要：在关联规则理论的基础上，通过对现有算法的效率分析，在原有Apriori关联规则挖掘算法的基础上，从减少事务数据库中扫描记录量入手，提出一个改进的快速关联规则挖掘算法Fast_Apriori。利用候选项集和频繁项集中的结果对数据库中的记录进行筛选，对不包含候选项集中任何项集的记录和不包含在候选项集中的事物记录直接删除，减少扫描的记录数，提高整个算法的效率。

关键词：关联规则 Apriori算法 候选项集 频繁项集 中图分类号：TP311.13 文献标识码：A 文章编号：1007-9416（2014）04-0133-02

在关联规则的各种挖掘算法研究中，主要集中在产生频繁项集的这一挖掘步骤。在众多算法中，Apriori算法最为著名，它是Agrawal等人在1994年提出的，该算法首次将关联规则挖掘理论运用在现实应用系统中。Apriori算法使用了一种逐层迭代的宽度优先搜索策略，由满足一定频度的项集来构造可能是下一个满足频度的项集的候选项集，根据设定的最小支持度计数筛选出频繁项集。

Apriori算法基本思想就是发现频繁项集，然后找出频繁项集中的关联性更强的规则。找到频