Алгоритм Апріорі простою англійською?

9

Я читав статті Вікі про Апріорі. У мене проблеми з розумінням чорносливу та кроку приєднання. Чи може хто-небудь пояснити мені, як алгоритм Apriori працює простими словами (такий, що новачок, як я, може зрозуміти легко)?

Буде добре, якщо хтось пояснить покроковий процес, що бере участь у ньому.

data-mining algorithms frequentist

— Мурахи
джерело

Можливо, вас зацікавить моя реалізація Python .

— Мартін Тома

11

Стаття у Вікіпедії не особливо вражає. Ці слайди можуть бути кориснішими: 1 , 2 , 3 .

На кожному рівні вас є -item наборів, які є частими (мають достатню підтримку). $k$ $k$

На наступному рівні набори + -item, які потрібно враховувати, повинні мати властивість того, що кожне їх підмножина повинно бути частим (мати достатню підтримку). Це властивість apriori : будь-який підмножина частих наборів предметів має бути частим. $k$ $1$

Отже, якщо ви знаєте на рівні 2, що множини , , і є єдиними наборами з достатньою підтримкою, то на рівні 3 ви з'єднуєте їх між собою, щоб отримати , , і але вам потрібно лише врахувати далі: всі інші мають підмножини з недостатньою підтримкою (наприклад, або ). $\{1,2\}$ $\{1,3\}$ $\{1,5\}$ $\{3,5\}$ $\{1,2,3\}$ $\{1,2,5\}$ $\{1,3,5\}$ $\{2,3,5\}$ $\{1,3,5\}$ $\{2,3\}$ $\{2,5\}$

— Генрі
джерело

2

Алгоритм Апріорі - алгоритм майнінгу правил асоціації, який використовується при обробці даних. Він використовується для пошуку частого набору елементів серед заданої кількості транзакцій.

Він складається в основному з двох етапів

Самостійне приєднання
Обрізка

Повторюючи ці кроки k разів, де k - кількість елементів, в останній ітерації ви отримуєте часті набори елементів, що містять k елементів.

Подивіться тут на дуже просте пояснення з докладним прикладом http://nikhilvithlani.blogspot.com/2012/03/apriori-algorithm-for-data-mining-made.html .

Він має просте пояснення без складних рівнянь.

— user1239631
джерело

2

Я залишив це повідомлення, оскільки зазвичай краще надати короткий зміст основних пунктів, які ви хочете підкреслити, а не посилатись на блог без додаткових пояснень. Крім того, метою цього веб-сайту є створення колекції знаних відповідей на конкретні запитання з мінімальними залежностями від звисаючих або ефемерних посилань. Тому, якщо ви не зможете гарантувати, що вищезазначене посилання буде живим через 10 років, скажімо, я настійно рекомендую вам узагальнити його основні моменти у цій відповіді.

— chl

1

Апріорі простою англійською мовою.

Apriori використовує ітеративний підхід, відомий як рівний пошук, де k- набір елементів використовується для дослідження (k + 1) -itemsets . По-перше, набір частих наборів 1-го елемента знайдеться шляхом сканування бази даних, щоб накопичити кількість кожного елемента, і зібрати ті елементи, які задовольняють мінімальну підтримку. Отриманий набір позначається як L1 . Далі, L1 використовується для пошуку L2 , набору частих наборів 2-елементів , який використовується для пошуку L3 тощо, поки не знайдеться більш частих наборів k-items . Для знаходження кожного Lk необхідне повне сканування бази даних.

На завершальній ітерації ви отримаєте багато k-items наборів, які в основному називають правилами асоціації . Для вибору цікавих правил із набору всіх можливих правил застосовуються різні обмежувальні заходи, такі як підтримка та впевненість .

Умови та термінології

Набір елементів-1 означає {a}, {b}, {c}
2-набір елементів означає {a, b}, {d, d}, {a, c}
Набір K-items означає {i1, i2, i3, ... ik}, {j1, j2, j3, .... jk}

Крок приєднання: тобто 1-елементний набір робиться для самостійного приєднання до себе для створення 2-наборових наборів.

Крок чорносливу: тут отриманий набір від з'єднання фільтрується з мінімальним порогом підтримки.

набір кардинальності: отриманий набір від кроку Prune.

Підтримка = немає транзакцій, що містять 'a' та 'b' / загальна кількість транзакцій.

Підтримка => supp (a, b) => p (a U b)

Впевнено = Ніяких транзакцій, що містять 'a' та 'b' / no транзакції, що містять 'a'.

Впевнено => con (a, b) ==> P (b | a) нічого, крім умовної ймовірності.

— шактидос
джерело