加權(quán)關(guān)聯(lián)規(guī)則挖掘(以apriori和fp-tree算法為例)的權(quán)值計(jì)算。

以下面的數(shù)據(jù)為例來進(jìn)行說明，表2中的交易權(quán)重和歸一化權(quán)重只是截圖結(jié)果，這里的具體數(shù)值可不要考慮。

加權(quán)支持度的計(jì)算為Sup(B)=count(B)*W(B)/總數(shù)；Sup(BD)=count(BD)*W(BD)/總數(shù)。

這里就是討論W(BD)有幾種計(jì)算方法及其優(yōu)劣。

根據(jù)表1和表2可以很容易計(jì)算出單個(gè)項(xiàng)目的支持度，如Sup(B)=5*1/6=0.83

若要計(jì)算多個(gè)項(xiàng)目的支持度，如Sup(BD)，Sup(BDA)那么項(xiàng)集BD或BDA的權(quán)值應(yīng)該如何選取，即計(jì)算交易權(quán)重的方法，有以下幾種：

1、取每條交易記錄的最大值，如BDAC中權(quán)值最大的那個(gè)作為權(quán)值

2、取平均值，表2的交易權(quán)重即為該方法計(jì)算得出，這樣計(jì)算不能突出重點(diǎn)項(xiàng)目

3、歸一化值：Wi''=Wi/(W1+W2+……+Wk) ；W=(W1''+W2''+……+Wk'')/n，權(quán)值可能很小

4、

5、該方法的權(quán)值可能大于1

6、W(AB)=W(A)*W(B)/(W(A)+W(B))

7、若數(shù)據(jù)有兩個(gè)維度，即X，Y分別屬于不同維度，如X表示所購買的商品，Y表示購買的位置，則權(quán)值可以這樣計(jì)算：W(X)*W(Y)

若權(quán)值大于1，可以進(jìn)行歸一化處理。

總之，權(quán)值的計(jì)算還有很多方法，計(jì)算時(shí)要根據(jù)自己數(shù)據(jù)的特點(diǎn)來選定。但是要注意關(guān)聯(lián)規(guī)則挖掘的頻繁及向下封閉的特性，即如果{AB}或{C}不頻繁，則{ABC}也不頻繁。如上述方法1、2就不可保證該特性，會(huì)造成數(shù)據(jù)的流失。這時(shí)候需要對(duì)關(guān)聯(lián)規(guī)則算法進(jìn)行改進(jìn)，來適應(yīng)權(quán)值的需要。

轉(zhuǎn)載本文請(qǐng)聯(lián)系原作者獲取授權(quán)，同時(shí)請(qǐng)注明本文來自葉文菁科學(xué)網(wǎng)博客。

鏈接地址：http://blog.sciencenet.cn/blog-882768-742786.html

上一篇：weka進(jìn)行關(guān)聯(lián)規(guī)則挖掘Apriori篇

下一篇：帶背景word如何轉(zhuǎn)成pdf格式(2010)及提取背景圖片

總結(jié)

以上是生活随笔為你收集整理的关联规则算法php,科学网—加权关联规则权值的计算 - 叶文菁的博文的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。