Apriori算法是我的第一個數據挖掘算法，算處女作吧，哈哈哈。在這之前我對數據挖掘 算法恐懼，覺得太難了，只是大致看了下原理，然后在clementine上拖幾個控件跑下demo，運行的結果很好但是總覺得技術含量不高，我不知道為什 么要這么做，為什么那些參數要那么設置，更糟糕的是發現那些算法過一段時間都忘記了。沒辦法，不入虎穴焉得虎子，我逼迫自己根據書上提供的講解和偽碼，琢 磨着用什么數據結構保存數據？怎么把算法用程序實現？。。。。。。。萬事開頭難，好在我還是把這個算法寫出來了，我獲得了自信，使得我真正喜歡上了數據挖 掘，現在看看自己寫的那個算法，覺得有好多地方不成熟，哈哈哈。
在這基礎上找頻繁項集為3的元素，此時就有規律性了，在頻繁項集為K的元素上找頻繁項集為 K+1的元素的方法是：在頻繁項集為K的項目（每行記錄）中，假如共有N行，兩兩組合，滿足兩兩中前K-1個元素相同，只后一個元素要求前一條記錄的商品 名稱小於后一條記錄的商品名稱，這樣是為了避免重復組合，求它們的並集得到長度為K+1的准頻繁項集，那么最多共有
種可能的組合，有：
想想如果N很大的話，
是一個多么龐大的數字，這時就要用到Apriori的核心了：如果K+1個元素構成頻繁項集，那么它的任意K個元素的子集也是頻繁項集。然后將每組K+1個元素的所有長度為K的子集，有
中組合，在頻繁項集為K的項集中匹配，沒有找到則刪除，用第一條記錄{I1,I2,I3}它的長度為2的頻繁項集有：
分別是：{I1,I2},{I1,I3},{I2,I3}種情況,幸好這三種情況在頻繁項集為2的項集中都找到了。通過這步過濾，得到的依舊是准頻繁項集，它們是：
，此時第四次掃描數據庫，得到真正長度為3的頻繁項集是
因為{I1,I2,I4}只出現了1次，小於最小支持度2，刪除。就這個例子而言，它的最大頻繁項集只有3，就是{I1,I2,I3}和{I1,I2,I5}，我想不用我多說大家都明白了。
可見Apriori算法有個最大的問題就是要產生大量准頻繁項集或者說候選集，效率不高，並且要多次掃描數據庫，在后面的PF_growth算法將避免了這兩個個問題。
每一行表示一條交易，共有9行，既9筆交易，左邊表示交易ID，右邊表示商品名稱。最小支持度是22%，那么每件商品至少要出現9*22%=2次才算頻繁。第一次掃描數據庫，使得在每條交易中，按商品名稱遞增排序。第二次掃描數據，找頻繁項集為1的元素有：
左邊表示商品名稱，右邊表示出現的次數，都大於閾值2。在此基礎上找頻繁項集是2的元素，方法是兩兩任意組合，第三次掃描數據得到它們出現的次數：
這里{I1,I4},{I3,I4},{I3,I5},{I4,I5}出現的次數都小於2，過濾掉，實際頻繁項集為2的元素有：
在這基礎上找頻繁項集為3的元素，此時就有規律性了，在頻繁項集為K的元素上找頻繁項集為 K+1的元素的方法是：在頻繁項集為K的項目（每行記錄）中，假如共有N行，兩兩組合，滿足兩兩中前K-1個元素相同，只后一個元素要求前一條記錄的商品 名稱小於后一條記錄的商品名稱，這樣是為了避免重復組合，求它們的並集得到長度為K+1的准頻繁項集，那么最多共有
種可能的組合，有：
想想如果N很大的話，
是一個多么龐大的數字，這時就要用到Apriori的核心了：如果K+1個元素構成頻繁項集，那么它的任意K個元素的子集也是頻繁項集。然后將每組K+1個元素的所有長度為K的子集，有
中組合，在頻繁項集為K的項集中匹配，沒有找到則刪除，用第一條記錄{I1,I2,I3}它的長度為2的頻繁項集有：
分別是：{I1,I2},{I1,I3},{I2,I3}種情況,幸好這三種情況在頻繁項集為2的項集中都找到了。通過這步過濾，得到的依舊是准頻繁項集，它們是：
，此時第四次掃描數據庫，得到真正長度為3的頻繁項集是
因為{I1,I2,I4}只出現了1次，小於最小支持度2，刪除。就這個例子而言，它的最大頻繁項集只有3，就是{I1,I2,I3}和{I1,I2,I5}，我想不用我多說大家都明白了。
來源：http://blog.sina.com.cn/s/blog_6e85bf420100ogn2.html