Algorithm: Apriori. Find frequent i

Algorithm: Apriori. Find frequent itemsets using an iterative level-wise approach based on candidate generation.
Input:
D, a database of transactions;
min sup, the minimum support count threshold.
Output: L, frequent itemsets in D.
Method:
(1) L1 = find frequent 1-itemsets(D); (2) for (k = 2; Lk−1 /= φ; k++) {
(3) Ck = apriori gen(Lk−1);
(4) for each transaction t ∈ D { // scan D for counts
(5) Ct = subset(Ck , t ); // get the subsets of t that are candidates
(6) for each candidate c ∈ Ct
(7) c.count++;
(8) }
(9) Lk = {c ∈ Ck |c.count ≥ min sup}
(10) }
(11) return L = ∪k Lk ;
procedure apriori gen(Lk−1:frequent (k − 1)-itemsets)
(1) for each itemset l1 ∈ Lk−1
(2) for each itemset l2 ∈ Lk−1
(3) if (l1[1] = l2[1]) ∧ (l1[2] = l2[2])
∧... ∧ (l1[k − 2] = l2[k − 2]) ∧ (l1[k − 1] < l2[k − 1]) then {
(4) c = l1 ✶ l2; // join step: generate candidates
(5) if has infrequent subset(c, Lk−1) then
(6) delete c; // prune step: remove unfruitful candidate
(7) else add c to Ck ;
(8) }
(9) return Ck ;
procedure has infrequent subset(c: candidate k-itemset;
Lk−1: frequent (k − 1)-itemsets); // use prior knowledge
(1) for each (k − 1)-subset s of c
(2) if s /∈ Lk−1 then
(3) return TRUE;
(4) return FALSE;

Figure 6.4 Apriori algorithm for discovering frequent itemsets for mining Boolean association rules.


A procedure can then be called to generate association rules from the frequent itemsets. Such a procedure is described in Section 6.2.2.
The apriori gen procedure performs two kinds of actions, namely, join and prune, as described before. In the join component, Lk−1 is joined with Lk−1 to generate potential candidates (steps 1–4). The prune component (steps 5–7) employs the Apriori property
to remove candidates that have a subset that is not frequent. The test for infrequent subsets is shown in procedure has infrequent subset.

Kết quả (Việt) 1:

Thuật toán: Apriori. Tìm thấy thường xuyên itemsets bằng cách sử dụng một cách tiếp cận lặp đi lặp lại level-wise dựa trên thế hệ ứng cử viên.Đầu vào:D, cơ sở dữ liệu của các giao dịch;Min sup, hỗ trợ tối thiểu tính ngưỡng.Đầu ra: L, itemsets thường xuyên trong mấtPhương pháp:(1) L1 = tìm thấy thường xuyên 1-itemsets(D); (2) cho (k = 2; LK−1 / = φ; k++) {(3) Ck = apriori gen(Lk−1);(4) cho mỗi giao dịch t ∈ D {/ / quét D cho đếm(5) ct = tập con (Ck, t); nhận được các tập hợp con của t là ứng cử viên(6) cho mỗi ứng cử viên c ∈ Ct(7) c.count++;(8) }(9) Lk = {c ∈ Ck |c.count ≥ min sup}(10)}(11) trở về L = ∪k Lk;thủ tục apriori gen(Lk−1:frequent (k − 1)-itemsets)(1) cho mỗi itemset l1 ∈ Lk−1(2) cho mỗi itemset l2 ∈ Lk−1(3) nếu (l1 [1] = l2[1]) ∧ (l1 [2] = l2[2])∧... ∧ (l1 [k − 2] = l2 [k − 2]) ∧ (l1 [k − 1] < l2 [k − 1]) sau đó {}(4) c = l1 ✶ l2; tham gia bước: tạo ra các ứng cử viên(5) nếu có những con (c Lk−1) sau đó(6) xóa c; prune bước: loại bỏ các ứng cử viên unfruitful(7) khác thêm c Ck;(8) }(9) trở lại Ck;thủ tục đã không thường xuyên tập (c: ứng cử viên k-itemset;LK−1: thường xuyên (k − 1)-itemsets); sử dụng kiến thức trước khi(1) cho mỗi (k − 1)-tập con s của c(2) nếu s /∈ Lk−1 sau đó(3) return TRUE;(4) return FALSE;Hình 6.4 thuật toán Apriori để phát hiện thường xuyên itemsets cho khai thác Boolean Hiệp hội quy định.Một thủ tục có thể sau đó được gọi là để tạo ra các quy tắc của Hiệp hội từ itemsets thường xuyên. Một thủ tục được mô tả trong phần 6.2.2.Thủ tục gen apriori thực hiện hai loại hành động, cụ thể là, tham gia và prune, như được mô tả trước. Trong các thành phần tham gia, Lk−1 là tham gia với Lk−1 để tạo ra các ứng viên tiềm năng (bước 1-4). Các thành phần prune (bước 5 – 7) sử dụng tài sản Aprioriđể loại bỏ các ứng viên có một tập hợp con đó không phải là thường xuyên. Thử nghiệm cho con không thường xuyên sẽ được hiển thị trong thủ tục đã tập hợp con không thường xuyên.

Kết quả (Việt) 2:

Thuật toán: Apriori. Tìm tập phổ biến cách sử dụng một phương pháp tiếp cận trình độ khôn ngoan lặp dựa trên thế hệ ứng cử viên.
Input:
D, một cơ sở dữ liệu của các giao dịch;
min sup, ngưỡng hỗ trợ tối thiểu số.
Output: L, tập phổ biến trong D.
Phương pháp:
(1) L1 = tìm thấy thường xuyên 1-tập phổ biến (D); (2) cho (k = 2; Lc-1 / = φ; k ++) {
(3) Ck = apriori gen (Lk-1);
(4) cho mỗi giao dịch t ∈ D {// quét D cho đếm
(5 ) Ct = tập hợp con (Ck, t); // Có được các tập con của t là các ứng viên
(6) cho mỗi ứng viên c ∈ Ct
(7) c.count ++;
(8)}
(9) Lc = {c ∈ Ck | c.count ≥ min sup}
(10) }
(11) return L = ∪k Lc;
thủ tục apriori gen (Lc 1: thường xuyên (k - 1) -itemsets)
(1) cho mỗi tập phổ biến l1 ∈ Lk-1
(2) cho mỗi tập phổ biến l2 ∈ Lk-1
(3) if (l1 [1] = l2 [1]) ∧ (l1 [2] = l2 [2])
∧ ... ∧ (l1 [k - 2] = l2 [k - 2]) ∧ (l1 [k - 1] <l2 [k - 1]) sau đó {
(4) c = l1 ✶ l2; // Tham gia bước: tạo ra các ứng cử viên
(5) nếu có tập con không thường xuyên (c, Lk-1) sau đó
(6) xóa c; // Mận bước: loại bỏ ứng cử viên không kết quả
(7) khác thêm c để Ck;
(8)}
(9) trở Ck;
thủ tục có tập con không thường xuyên (c: ứng cử viên k-itemset;
Lk-1: thường xuyên (k - 1) - tập phổ biến); // Sử dụng kiến thức
(1) cho mỗi (k - 1) -subset s của c
(2) nếu s / ∈ Lk-1 sau đó
(3) trả về TRUE;
(4) trả về FALSE;

Hình 6.4 Thuật toán Apriori để khám phá thường xuyên tập phổ biến để khai thác luật kết hợp Boolean.


Một thủ tục có thể được gọi là để tạo ra các luật kết hợp từ các tập phổ biến. Như một thủ tục được mô tả trong phần 6.2.2.
Các thủ tục apriori gen thực hiện hai loại hành động, cụ thể là, tham gia và mận, như được mô tả trước đây. Trong thành phần tham gia, Lk-1 được nối với Lk-1 để tạo ra các ứng cử viên tiềm năng (bước 1-4). Các thành phần prune (bước 5-7) sử dụng tài sản Apriori
để loại bỏ các ứng cử viên có một tập hợp con đó không phải là thường xuyên. Các thử nghiệm cho các tập con không thường xuyên được thể hiện trong quy trình có tập con không thường xuyên.