聚类 数据挖掘 Apriori算法的应用（python）

文章目录

前言一、实验步骤以及实现二、调试过程总结

前言

实验内容： 了解Apriori算法的实现过程以及应用原理，最后用Python实现Apriori聚类算法。

一、实验步骤以及实现

1.构造原始数据，通过def实现。 2.将所有元素转换为frozenset型字典，存放到列表中。

3.过滤掉不符合支持度的集合 4生成所有可以组合的集合。 5.对规则进行评估 获得满足最小可信度的关联规则。 6.生成候选规则集合。 7…建立main函数进行实现。

二、调试过程

1.找出所有的频繁项集。 2.由频繁项集产生强关联规则。 实验结果：

总结

实验结果： 通过Apriori算法，成功实现聚类算法，该算法是经典的挖掘频繁项集和关联规则的数据挖掘算法，通过构造模拟集合，发现了它运行的机制以及算法的原理。

遇到的问题： 1.刚开始数据操作杂糅，比较冗余。 解决方法：参考大佬给的提示和帮助，通过建立一个函数，将所有元素转换为frozenset型字典，存放到列表中，这方便以后直接可以将这些值作为字典的键，大大减少编写的难度，避免了杂糅。提高了可观性。 实验心得： 本次实验对Apriori关联算法有了一定的了解，该算法基于频繁项集和关联规则，和以往经历的算法并不一样，所以实现该算法的第一步就是构造好的频繁项集，并找出所有的频繁项集，来推出强关联规则，应用区域广泛，本次实验牛刀小试收获颇多。

参考链接

 您阅读本篇文章共花了：