参考资料：http://blog.csdn.net/sealyao/article/details/6460578
更多数据挖掘算法：https://github.com/linyiqun/DataMiningAlgorithm
介绍
FP-Tree算法全称是FrequentPattern Tree算法，就是频繁模式树算法，他与Apriori算法一样也是用来挖掘频繁项集的，不过不同的是，FP...
分类：
编程语言 时间：
2015-01-29 09:40:29
阅读次数：
534
我的数据挖掘算法代码：https://github.com/linyiqun/DataMiningAlgorithm
介绍
Apriori算法是一个经典的数据挖掘算法，Apriori的单词的意思是"先验的"，说明这个算法是具有先验性质的，就是说要通过上一次的结果推导出下一次的结果，这个如何体现将会在下面的分析中会慢慢的体现出来。Apriori算法的用处是挖掘频繁项集的，频繁项集粗俗的理解就是找...
分类：
编程语言 时间：
2015-01-23 23:09:12
阅读次数：
628
Apriori algorithm是关联规则里一项大数据基本算法。是由Rakesh Agrawal和Ramakrishnan Srikant两位博士在1994年提出的关联规则挖掘算法。关联规则的目的就是在一个数据集中找出项与项之间的关系，也被称为购物蓝分析 (Market Basket analys...
分类：
编程语言 时间：
2015-01-23 13:20:54
阅读次数：
160
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...
分类：
编程语言 时间：
2015-01-18 22:31:13
阅读次数：
280
Apriori算法是一种发现频繁项集的基本算法，算法的思想主要就是使用一种称为逐层搜索的迭代方法，K项集用于探索（K+1）项集。算法的伪代码如下：（具体实现正在进行中……）输入：D：事务数据库min_sup：最小支持度阈值输出：L，D中的频繁项集方法：L1=find_frequent_1-items...
分类：
编程语言 时间：
2015-01-13 21:12:18
阅读次数：
160
国际权威的学术组织the IEEE International Conference on Data Mining (ICDM) 2006年12月评选出了数据挖掘领域的十大经典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, N...
分类：
编程语言 时间：
2015-01-13 01:22:53
阅读次数：
246
国际权威的学术组织the IEEE International Conference on Data Mining (ICDM) 2006年12月评选出了数据挖掘领域的十大经典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, N...
分类：
编程语言 时间：
2015-01-12 20:41:20
阅读次数：
207
前言 对于如何发现一个数据集中的频繁项集，前文讲解的经典 Apriori 算法能够做到。 然而，对于每个潜在的频繁项，它都要检索一遍数据集，这是比较低效的。在实际的大数据应用中，这么做就更不好了。 本文将介绍一种专门检索频繁项集的新算法 - FP-growth 算法。 它只会扫描数据集两次，...
分类：
编程语言 时间：
2015-01-12 12:55:51
阅读次数：
327
前言 想必大家都听过数据挖掘领域那个经典的故事 - "啤酒与尿布" 的故事。 那么，具体是怎么从海量销售信息中挖掘出啤酒和尿布之间的关系呢？ 这就是关联分析所要完成的任务了。 本文将讲解关联分析领域中最为经典的Apriori算法，并给出具体的代码实现。关联分析领域的一些概念 1. 频繁项集...
分类：
编程语言 时间：
2015-01-09 17:13:21
阅读次数：
188
转自这里Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于 两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规 则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。由Agrawal等人提出的Apriori是经典的关联规则和频繁项集挖掘算法...
分类：
编程语言 时间：
2014-12-23 21:09:23
阅读次数：
703
