Apriori 算法：它是如何工作的？ 品牌如何利用 Apriori 算法？

想象一下你在超市，在你的脑海中，你有你想买的东西。 但你最终买的比你应该买的多得多。 这被称为冲动购买，品牌使用先验算法来利用这种现象。 如果您有兴趣了解有关数据科学算法的更多信息，请单击以了解更多信息。

这个算法是什么？ 它是如何工作的？ 您将在本文中找到这些问题的答案。 我们将首先看看这个算法是什么，然后看看它是如何工作的。

让我们开始。

什么是 Apriori 算法？

先验算法为您提供频繁项集。 它的基础是先验性质，我们可以用以下方式解释：

假设您拥有的项目集的支持值小于必要的支持值。 然后，该项目集的子集的支持值也将低于所需的值。 因此，您不会将它们包括在计算中，因此可以节省大量空间。

支持值是指特定项集在事务中出现的次数。 由于在推荐系统中的应用，apriori 算法非常流行。 通常，您会将此算法应用于事务数据库，即事务数据库。 该算法也有许多实际应用。 您还应该熟悉关联规则挖掘以正确理解先验算法。

另请阅读：数据科学的先决条件。 它如何随时间变化？

Apriori 算法是如何工作的？

先验算法利用频繁项集生成关联规则。 它的原理很简单——频繁项集的子集也是频繁项集。 支持度大于阈值的项集是频繁项集。 考虑以下数据：

在第一次迭代中，假设支持值为 2，并使项集的大小为 1。现在相应地计算它们的支持值。 我们将丢弃支持值低于最小值的项目。 在此示例中，这将是第 4 项。

C1（第一次迭代的结果）

F1（在我们丢弃 {4} 之后）

在第二次迭代中，我们将项目集的大小保持为 2，然后计算支持值。 我们将在本次迭代中使用表 F1 的所有组合。 我们将删除任何支持值小于 2 的项集。

C2（只有 F1 中存在的项目）

F2（在我们删除支持值低于 2 的项目之后）

现在，我们将执行修剪。 在这种情况下，我们将 C3 的项集划分为子集，并删除支持值小于 2 的项集。

C3（在我们执行修剪之后）

在第三次迭代中，我们将丢弃 {1,2,5} 和 {1,2,3}，因为它们都有 {1,2}。 这是先验算法的主要影响。

F3（在我们丢弃 {1,2,5} 和 {1,2,3} 之后）

在第四次迭代中，我们将使用 F3 的集合来创建 C4。 但是，由于 C4 的支持度值低于 2，我们不会继续，最终的项目集是 F3。

C3

我们有以下 F3 项集：

对于 I = {1,3,5}，我们拥有的子集是 {5}, {3}, {1}, {3,5}, {1,5}, {1,3}

对于 I = {2,3,5}，我们拥有的子集是 {5}, {3}, {2}, {3,5}, {2,5}, {2,3}

现在，我们将在项集 F3 上创建和应用规则。 为此，我们假设当前的最小置信度值为 60%。 对于 I 的子集 S，这是我们输出的规则：

• S -> (I,S)（这意味着 S 推荐 IS）
• 如果 support(I) / support(S) >= min_conf 值

让我们对我们拥有的第一个子集执行此操作，即 {1,3,5}

规则 1： {1,3} -> ({1,3,5} – {1,3}) 这意味着 1 & 3-> 5

置信度 = (1,3,5) 的支持值 / (1,3) 的支持值 = ⅔ = 66.66%

由于结果高于 60%，我们选择规则 1。

规则 2： {1,5} -> {(1,3,5) – {1,5}) 这意味着 1 & 5 -> 3

置信值 = (1,3,5) 的支持值 / (1,5) 的支持值 = 2/2 = 100%

由于结果高于 60%，我们选择规则 2。

规则 3： {3} -> ({1,3,5} – {3}) 这意味着 3 -> 1 & 5

置信值 = (1,3,5) 的支持值 / (3) 的支持值 = 2/4 = 50%

由于结果低于 60%，我们拒绝规则 3。

从世界顶尖大学学习数据科学课程。 加入我们的行政 PG 课程、高级证书课程或硕士课程，以加快您的职业生涯。

通过上面的示例，您可以看到 Apriori 算法如何创建和应用规则。 对于我们拥有的第二个项目集 ({2,3,5})，您可以按照这些步骤操作。 尝试一下肯定会让您在理解算法接受哪些规则以及拒绝哪些规则方面获得丰富的经验。 该算法在其他地方保持不变，例如 Apriori 算法 Python。

结论

读完这篇文章，相信你会对这个算法及其应用非常熟悉。 由于它在推荐系统中的使用，它也变得非常流行。