R网格MIC与频繁项集

频繁项集
用 R 进行购物篮分析
安装arules包并加载
内置Groceries数据集
library(arules) #加载arules程序包，如果没有install.packages("arules")
data(Groceries) #调用数据文件
inspect(Groceries) #观看数据集里的数据
求频繁项集Eclat算法
frequentsets=eclat(Groceries,parameter=list(support=0.05,maxlen=10))
观看频繁项集
inspect(frequentsets[1:10])
inspect(sort(frequentsets,by="support")[1:10]) #根据支持度对求得的频繁项集排序并察看
利用apriori函数提取关联规则
rules=apriori(Groceries,parameter=list(support=0.01,confidence=0.5))
列出关联规则
summary(rules) #察看求得的关联规则之摘要
inspect(rules)
按需要筛选关联规则
x=subset(rules,subset=rhs%in%"whole milk"&lift>=1.2) #求所需要的关联规则子集
inspect(sort(x,by="support")[1:5]) #根据支持度对求得的关联规则子集排序并察看
其中 lift=P(L,R)/(P(L)P(R)) 是一个类似相关系数的指标。 lift=1时表示L和R独立。这个数
越大，越表明L和R存在在一个购物篮中不是偶然现象。

R网格MIC与频繁项集相关推荐

R语言使用apriori算法进行关联规则挖掘实战：关联规则概念、频繁项集、支持度（support）、置信度(confidence)、提升度(lift)、apriori算法
R语言使用apriori算法进行关联规则挖掘实战:关联规则概念.频繁项集.支持度(support).置信度(confidence).提升度(lift).apriori算法目录
R语言数据挖掘2.1.1.1　频繁项集
2.1.1.1 频繁项集频繁项集的概念来源于真实的购物篮分析.在诸如亚马逊等商店中,存在很多的订单或交易数据.当客户进行交易时,亚马逊的购物车中就会包含一些项.商店店主可以通过分析这些大量的购物事务 ...
【机器学习实战】第12章使用 FP-growth 算法来高效发现频繁项集
第12章使用FP-growth算法来高效发现频繁项集前言在第11章时我们已经介绍了用 Apriori 算法发现频繁项集与关联规则. 本章将继续关注发现频繁项集这一任务,并使用 FP ...
FP-growth算法高效发现频繁项集
在用搜索引擎时,我们发现输入单词的一部分时,搜索引擎会自动补全查询词项,这里的原理其实是通过查询互联网上的词来找出经常出现在一块的词对,这需要一种高效发现频繁集的方法. 它基于Apriori构建,但在 ...
机器学习实战（十一）FP-growth（频繁项集）
目录 0. 前言 1. 构建FP树 2. 从FP树中挖掘频繁项集 3. 实战案例 3.1. FP-growth寻找频繁项集学习完机器学习实战的FP-growth,简单的做个笔记.文中部分描述属于个人 ...
关联规则—频繁项集Apriori算法
转载地址:http://liyonghui160com.iteye.com/blog/2080531 一.前言频繁模式和对应的关联或相关规则在一定程度上刻画了属性条件与类标号之间的有趣联系,因此将关 ...
FP-growth:从FP树中挖掘频繁项集
前言若想具体理解FP-growth,请参阅这位大神的作品: https://www.cnblogs.com/pinard/p/6307064.html 本文的前一节<FP-growth:构建F ...
使用FP-growth算法来高效发现频繁项集
FP-growth算法基于Apriori构建,但采用了高级的数据结构减少扫描次数,大大加快了算法速度.FP-growth算法只需要对数据库进行两次扫描,而Apriori算法对于每个潜在的频繁项集都会扫 ...
FP-growth算法发现频繁项集（一）——构建FP树
常见的挖掘频繁项集算法有两类,一类是Apriori算法,另一类是FP-growth.Apriori通过不断的构造候选集.筛选候选集挖掘出频繁项集,需要多次扫描原始数据,当原始数据较大时,磁盘I/O次数 ...

R网格MIC与频繁项集

R网格MIC与频繁项集相关推荐

最新文章

热门文章