關(guān)聯(lián)規(guī)則分析（Apriori）

Apriori算法簡(jiǎn)介：Apriori 算法是一種挖掘關(guān)聯(lián)規(guī)則的頻繁項(xiàng)集算法，其核心思想是通過(guò)候選集生成和情節(jié)的向下封閉檢測(cè)兩個(gè)階段來(lái)挖掘頻繁項(xiàng)集。 Apriori（先驗(yàn)的，推測(cè)的）算法應(yīng)用廣泛，可用于消費(fèi)市場(chǎng)價(jià)格分析，猜測(cè)顧客的消費(fèi)習(xí)慣；網(wǎng)絡(luò)安全領(lǐng)域中的入侵檢測(cè)技術(shù)；也可用在移動(dòng)通信領(lǐng)域中，指導(dǎo)運(yùn)營(yíng)商的業(yè)務(wù)運(yùn)營(yíng)和輔助業(yè)務(wù)提供商的決策制定。

Apriori 算法的挖掘思想：Apriori 算法采用的是逐層搜素的策略，同時(shí)依據(jù)其性質(zhì)壓縮搜索空間。而它的性質(zhì)是說(shuō)，如果一個(gè)項(xiàng)集具有頻繁性，則它的所有非空子集也一定是頻繁項(xiàng)集。它的基本思想在于，首先，掃描一次事物集合，找出頻繁 1 －項(xiàng)集集合 L1，然后基于 L1，產(chǎn)生所有可能的頻繁 2 －項(xiàng)集即候選集 C2，接著基于 L1 對(duì) C2 進(jìn)行必要的剪枝操作。對(duì) C2 的優(yōu)化完成后，再掃描一次事務(wù)集合，找出下一個(gè)頻繁候選集，如此迭代，直至再也找不出頻繁集時(shí)退出。

在實(shí)際的應(yīng)用中，關(guān)聯(lián)規(guī)則主要應(yīng)用于商品購(gòu)買(mǎi)的關(guān)聯(lián)行為，比如針對(duì)一個(gè)賣(mài)場(chǎng)，可以通過(guò)對(duì)大數(shù)據(jù)的關(guān)聯(lián)分析發(fā)現(xiàn)面包與牛奶之間的購(gòu)買(mǎi)行為，從而可以針對(duì)性進(jìn)行促銷(xiāo)或是適當(dāng)調(diào)整商場(chǎng)的物品擺放。所以關(guān)聯(lián)分析是大數(shù)據(jù)分析特別有效的模型，針對(duì)性比較強(qiáng)。

聚類(lèi)分析模型聚類(lèi)分析

模型簡(jiǎn)介：是指將物理的或抽象的對(duì)象的集合分成相似的對(duì)象集的過(guò)程，最終的結(jié)果是同一個(gè)簇中的對(duì)象具有較高的相似性，而不同簇之間的對(duì)象則具有較大的差異性。聚類(lèi)分析的三要素為相似度測(cè)度，聚類(lèi)準(zhǔn)則和聚類(lèi)算法。相似度測(cè)度主要用于衡量同簇對(duì)象的類(lèi)似性和不同簇對(duì)象的差異性，而聚類(lèi)準(zhǔn)則則是用于評(píng)價(jià)聚類(lèi)結(jié)果的好壞，聚類(lèi)算法用于找出使準(zhǔn)則函數(shù)取極值的最好聚類(lèi)結(jié)果。目前大數(shù)據(jù)聚類(lèi)分析中比較常用的算法主要有劃分式聚類(lèi)算法、基于密度的聚類(lèi)算法、層次聚類(lèi)算法、以及基于網(wǎng)格的聚類(lèi)算法。其中比較比較典型的是劃分式聚類(lèi)算法。

劃分式聚類(lèi)算法的挖掘思想：劃分式聚類(lèi)算法的其代表是 K 均值算法、K 中心點(diǎn)算法以及它們的一些變種。K 均值聚類(lèi)算法假定所有的數(shù)據(jù)對(duì)象課分為 K 個(gè)簇，每個(gè)簇的中心用均值表示，對(duì)象間的相似性用距離度量，聚類(lèi)的準(zhǔn)則使用誤差平方和準(zhǔn)則。它的核心在于首先選定 K 個(gè)初始聚類(lèi)中心，根據(jù)最小距離原則將每個(gè)數(shù)據(jù)對(duì)象分類(lèi)到每一簇中。聚類(lèi)分析模型是一個(gè)比較簡(jiǎn)單的大數(shù)據(jù)分析模型，但是它可以對(duì)大型數(shù)據(jù)集進(jìn)行高效地劃分，它也是數(shù)據(jù)挖掘的重要模型之一，在實(shí)際工作中已經(jīng)取得廣泛的應(yīng)用，是眾多企業(yè)處理大數(shù)據(jù)不二的選擇。

責(zé)任編輯：ct