Приклад алгоритму Apriori

Огляд

Весь сенс алгоритму (та інтелектуального аналізу даних, в цілому) вилучення корисної інформації з великих обсягів даних. Наприклад, інформація про те, що клієнт, який купляє клавіатуру також має тенденцію до купівлі мишки в той же час отримуютчи з асоціативних правил нижче:

Підтримка: Відсоток завдань відповідних операцій даних, для яких модель вірна.

Підтримка (Клавіатура -> Мишка) =

Довіри: міра впевненості та надійності, пов'язана з кожною виявленою картинкою.

Впевненість (Клавіатура -> Мишка) =

Алгоритм прагне знайти правила, які задовольняють як мінімальний поріг підтримки і мінімальний поріг довіри (строгі правила).

Item(Товар): стаття в кошику.

Itemset(Група товарів): група товарів, придбаних разом в одній транзакції.

Як працює Apriori

1.Шукає всі набори , які часто зустрічаються :

Отримати ці набори:

Предмети виникнення яких у базі даних більше або дорівнює пороговому min.support.

Отримати всі набори , які часто зустрічаються:

Генерація кандидатів від частих предметів.

Підсумок результатів, щоб знайти набори , які часто зустрічаються.

2.Генерують сильні асоціативні правила з часто зустрічаються наборів

Правила, які задовольняють min.support і min.confidence поріг.

Дизайн високого рівня

Згенерувати асоціативне правило

Згенерувати

Set = NULL

Отримати всі набори , які часто зустрічаються

Отримати всі набори , які часто зустрічаються

Початок

Генерація кандидатських наборів

Ні

Так

Приклад

База даних складається з п'яти операцій. Нехай min sup = 50% and min con f = 80%.

База Даних

Т-ID	Продукт
100	ACD
200	BCE
300	ABCE
400	BE

Рішення

Крок 1:Знайти всі набори , які часто зустрічаються

1-Група продуктів	Підтримка
{A}	2
{B}	3
{C}	3
{E}	3

База Даних

Т-ID	Продукт
100	ACD
200	BCE
300	L1 ABCE
400	BE

Зєднання

2-Група продуктів	Підтримка
{A C}	2
{B C}	2
{B E}	3
{C E}	2

Зєднання

Витягти

L2

С2

Продукт	Підтримка
{A B}	1
{A C}	2
{A E}	1
{B C}	2
{B E}	3
{C E}	2

L3\3

С3№3

Група продуктів

{B C E}

3-Група продуктів	Підтримка
{B C E}	2

Витягти

Всі набори , які часто зустрічаються

{ A } { B } { C } { E } { A C } { B C } { C E } { B C E }

Крок 2: Створення сильних асоціативних правил з наборами , які часто зустрічаються

Правило	Підтримка	Підтримка	Впевненість
{A}{C}	2	2	100
{B}{C}	2	3	66.66666667
{B}{E}	3	3	100
{C}{E}	2	3	66.66666667
{B}{C E}	2	3	66.66666667
{C}{B E}	2	3	66.66666667
{E}{B C}	2	3	66.66666667
{C}{A}	2	3	66.66666667
{C}{B}	3	3	100
{E}{B}	2	3	66.66666667
{E}{C}	2	2	100
{}{}	2	3	66.66666667
{}{}	2	2	100

Решітка

Закрита Група: підтримка всіх батьків не рівні підтримкою набору елементів.

Максимальний набір елементів: всі батьки, яких набір елементів повинен бути рідкісним.

Майте на увазі:

Рідкісні

Закриті

Макс.

Набори , які часто зустрічаються

Набір елементів {C} закрито, як підтримка батьків (суперсетами) {AC}: 2, {BC}: 2, {} CD: 1,} {CE: 2 не дорівнює підтримці {C}: 3.

І те ж саме для {C}, {B} E & {B C E}.

Набір елементів {AC} максимальна, як і всі батьки (суперсетами) {ABC}, {ACD}, {} ACE бувають рідко.

І те ж саме для {B C E}.

Підсумки:

1.)Задачею пошуку асоціативних правил, являється визначення часто зустрічаючих наборів обєктів в великій кількості наборів

2.)Секвенціальний аналіз заключається в пошуку послідовностей, які часто зустрічаються. Основною відмінністю задачі секвенціального аналізу від пошуку асоціативних правил являється встановлення відношення порядку між обєктами.

3.)Наявність ієрархії в обєктах і її використання в задачі пошуку асоціативних правил позволяє виконувати більш гнучкий аналіз і діставати додаткові знання.

4.)Результати рішення задачі представляються у вигляді асоціативних правил умовна і заключна частина яких містить набори обєктів.

5.)Основними характеристиками асоціативних правил являються підтримка , достовірність і покращення.

6.)Підтримка(support) показує, який відсоток транзакцій підтримує дане правило.

7.)Достовірність показує, яка ймовірність того, що з наявності транзакції набору умовна частина правил слідує наявністі в ній заключної частини.

8.)Поліпшення показує, чи корисніше правило випадкового вгадування.

9.)Задача пошуку асоціативних правил розвязується у два етапи. На першомі етапі виконується всіх часто зустрічаючих наборів обєктів. На другому етапі із найдених наборів обєктів, часто зустрічалися генеруються асоціативні правила.

10.)Алгоритм Apriori використовує одне з властивостей підтримки, говоряча: підтимка будь-якого набору обєктів не може перевищувати мінімальної підтримки із його підмножин.

Список використаної літератури:

1.) R. Agrawal, T. Imielinski, A. Swami. 1993. Mining Associations between Sets of  Items in Massive Databases. In Proc. of the 1993 ACM-SIGMOD Int’l Conf. on Management of Data, 207-216.

2. )R. Agrawal, R. Srikant. "Fast Discovery of Association Rules", In Proc. of the 20th International Conference onVLDB, Santiago, Chile, September 1994.

3.)http://www/codeproject.com/Articles/70371/Apriori-Algorithm