Apriori演算法代碼及執行個體__Web資料幫浦

Apriori演算法的虛擬碼及執行個體：

<span style="font-size:18px;">虛擬碼描述：   // 找出頻繁 1 項集       L1 =find_frequent_1-itemsets(D);        For(k=2;Lk-1 !=null;k++){  // 產生候選，並剪枝          Ck =apriori_gen(Lk-1 );   // 掃描 D 進行候選計數          For each 事務t  in D{               Ct =subset(Ck,t); // 得到 t 的子集              For each 候選 c 屬於 Ct                  c.count++;          }          //返回候選項集中不小於最小支援度的項集          Lk ={c 屬於 Ck | c.count>=min_sup}  }  Return L= 所有的頻繁集；  第一步：串連（join）  Procedure apriori_gen (Lk-1 :frequent(k-1)-itemsets)        For each 項集 l1 屬於 Lk-1           For each 項集 l2 屬於 Lk-1              If( (l1 [1]=l2 [1])&&( l1 [2]=l2 [2])&& ……&& (l1 [k-2]=l2 [k-2])&&(l1 [k-1]<l2 [k-1]) )   then{                      c = l1 串連 l2    // 串連步：產生候選                    //若k-1項集中已經存在子集c則進行剪枝                     if has_infrequent_subset(c, Lk-1 ) then                         delete c; // 剪枝步：刪除非頻繁候選                     else add c to Ck;                     }            Return Ck;  第二步：剪枝（prune）    Procedure has_infrequent_sub (c:candidate k-itemset; Lk-1 :frequent(k-1)-itemsets)           For each (k-1)-subset s of c              If s 不屬於 Lk-1 then                 Return true;          Return false;  </span>

Apriori演算法的例子：

總結：

①Apriori演算法的缺點：(1)由頻繁k-1項集進行自串連產生的候選頻繁k項集數量巨大。(2)在驗證候選頻繁k項集的時候需要對整個資料庫進行掃描，非常耗時。

  ②網上提到的頻集演算法的幾種最佳化方法：1. 基於劃分的方法。2. 基於hash的方法。3. 基於採樣的方法。4. 減少交易的個數。

   我重點看了“基於劃分的方法”改進演算法，現在簡單介紹一下實現思想：

基於劃分(partition)的演算法，這個演算法先把資料庫從邏輯上分成幾個互不相交的塊，每次單獨考慮一個分塊並 對它產生所有的頻集，然後把產生的頻集合并，用來產生所有可能的頻集，最後計算這些項集的支援度。

其中，partition演算法要注意的是分區的大小選取，要保證每個分區可以被放入到記憶體。當每個分區產生頻集後，再合并產生產生全域的候選k-項集。若在多個處理器分區，可以通過處理器之間共用一個雜湊樹來產生頻集。