关联分析方法——基于h-confidence剪枝策略的Apriori算法

基于h-confidence剪枝的Apriori算法

• 摘要

• 倾斜支持度分布

• • 为何支持度和置信度失效
  • 如何解决

• 基于Python平台开发

• 首先实现候选1-项集的生成，并通过计数机制计算其支持度

• 然后采用全置信度剪枝策略来筛选出高价值的候选项集合

• 将关键组件封装成可独立运行的模块

  • 测试
  • • 支持度剪枝
    • h-confidence剪枝

摘要

在数据集中出现高度倾斜的支持度分布时，在这种情况下使用传统的支持度剪枝方法将无法有效地提取出具有代表性的频繁项集。此时建议采用h-置信度进行剪裁以确保筛选出的有效模式数量能够得到合理控制

倾斜支持度分布

一个倾斜支持度分布的例子：

基于某种策略会产生以下问题：当选择过高（或非常高）的支持度阈值时，则可能导致遗漏一些有趣且潜在重要的关联规则；当设置过高（或非常高）的支持度阈值时，则可能导致计算开销显著增加，并且在该情况下可能会识别并提取交叉关联模式。交叉支撑模式的定义如下

![在这里插入图片描述](https://cdl