基于预判筛选的高效关联规则挖掘算法

关联规则分析作为数据挖掘的主要手段之一,在发现海量事务数据中隐含的有价值信息方面具有重要的作用。该文针对Apriori算法的固有缺陷,提出了AWP(Apriori With Prejudging)算法。该算法在Apriori算法连接、剪枝的基础上,添加了预判筛选的步骤,使用先验概率对候选频繁k项集集合进行缩减优化,并且引入阻尼因子和补偿因子对预判筛选产生的误差进行修正,简化了挖掘频繁项集的操作过程。实验证明AWP算法能够有效减少扫描数据库的次数,降低算法的运行时间。

一种基于预判筛选的频繁项集挖掘算法

频繁项集挖掘作为关联规则挖掘技术的关键步骤,其性能对关联规则挖掘具有重要的意义。针对经典关联规则挖掘算法——Apriori算法存在的产生候选项目集效率低和频繁扫描数据库等缺点,对Apriori算法的原理及效率进行分析,提出一种基于预判筛选策略的频繁项集挖掘算法。该算法通过对原始数据集的随机取样,得出样本频繁项集的支持度集合来进行预判筛选,从而对原始数据集候选项集进行二次剪枝,并且引入阻尼因子和补偿因子对预判筛选产生的误差进行修正,以保证算法的误判率和遗漏率。实验结果表明,该算法具有更好的时效性。

基于预判筛选多叉树的Apriori算法

Apriori算法通过逐层搜索进行迭代,得到频繁项集,是获取关联规则最著名也是最原始的挖掘算法,但是该算法存在当数据量较大时效率较低、I/O操作的频繁出现等缺点。针对上述算法存在的两个缺点,本文提出了一种基于预判筛选多叉树的Apriori算法,通过将数据处理为数组的方式减少数据库扫描次数,构建频繁多叉树减少存储空间,并通过预判筛选的方式加快算法运行速度,从而达到对Apriori算法的优化。实验证明,该方法比原始的Apriori算法运行时间要短一些,效率得到提高。