Apriori算法进行关联分析(1)
来源:互联网 发布:局部搜索算法历史 编辑:程序博客网 时间:2024/06/05 21:50
1. 使用Apriori算法来发现频繁集
1.1 关联分析
关联分析:是一种在大规模数据集中寻找有趣关系的任务。这些关系可以有两种形式:频繁项集或者关联规则。频繁项集(frequent item sets)是经常出现在一块的物品的集合,关联规则(association rules)暗示两种物品之间可能存在很强的关系。
而有趣、频繁、有趣的关系这些量化的工具就是支持度和可信度。
- 一个项集的支持度(support):被定义为数据集中包含该项集的记录所占的比例。支持度是针对项集来说的,因此可以定义一个最小支持度,而只保留满足最小支持度的项集。
- 可信度或置信度(confidence):是针对一条关联规则来定义的。这条规则的可信度被定义为“支持度({尿布,葡萄酒})/支持度({尿布})”。
1.2 Apriori原理
对于上图的集合数目,会发现即使对于仅有4种物品的集合,也需要遍历数据15次。而随着物品数目的增加遍历次数会急剧增长。对于包含—物品的数据集共有
为了降低所需的计算时间,有了Apriori原理,Apriori原理是说如果某个项集是频繁的,那么它的所有子集也是频繁的。如果反过来就是说如果一个项集是非频繁集,那么它的所有超集也是非频繁的。
关联分析的目标包括两项:发现频繁项集和发现关联规则。首先需要找到频繁项集,然后才能获得关联规则。
生成候选集:
对数据集中的每条交易记录tran
对每个候选项集can:
检查一下can是否是tran的子集:
如果是,则增加can的计数值
对每个候选项集:
如果其支持度不低于最小值,则保留该项集
返回所有频繁项集列表。
完整的Apriori算法:
当集合中项的个数大于0时
构建一个k个项组成的候选项集的列表
检查数据以确认每个项集都是频繁的
保留频繁项集并构建k+1项组成的候选项集的列表
代码:
# -*- coding: utf-8 -*-"""Created on Thu Nov 09 13:16:21 2017"""from numpy import * # 用于测试的简单数据集列表def loadDataSet(): return [[1, 3, 4], [2, 3, 5], [1, 2, 3, 5], [2, 5]]# 构建第一个候选子集def createC1(dataSet): C1 = [] # 用来存储所有不重复的项值 for transaction in dataSet: # 遍历数据集的每一次交易记录 for item in transaction: # 遍历每一记录的每一项 if not [item] in C1: C1.append([item]) # 添加只包含该物品项的一个列表 print 'list_C1:',C1 # 打印该列表 C1.sort() # 对列表进行排序 frozenset_C1=map(frozenset, C1) # 这里把C1的每个元素映射到frozenset() return frozenset_C1 # 返回frozenset的列表# 从Ck生成Lkdef scanD(D, Ck, minSupport): # 三个参数:数据集,候选项集列表,感兴趣项集的最小支持度 ssCnt = {} for tid in D: # 遍历数据集的每一交易记录 for can in Ck: # 遍历每一候选项集 if can.issubset(tid): # 判断该集合是否是记录的一部分 if not ssCnt.has_key(can): # 如果没有,该集合就把该集合增加到字典中 ssCnt[can]=1 # 这里字典的键就是该项集 else: ssCnt[can] += 1 # 如果已经有了键,就计数加1 numItems = float(len(D)) # 变为浮点数 retList = [] # 该列表包含满足最小支持度要求的集合 supportData = {} for key in ssCnt: # 遍历字典的每个元素 support = ssCnt[key]/numItems # 计算支持度(分母是所有的交易记录) if support >= minSupport: # 如果满足最小支持度 retList.insert(0,key) # 则将字典元素添加到retlist列表 print 'retList:',retList supportData[key] = support # 返回所有项集的支持度 return retList, supportData # 返回频繁项集的支持度# 创建候选项集CKdef aprioriGen(Lk, k): # 参数分别是:频繁项集列表LK,项集元素个数K print 'LK_1:',Lk retList = [] lenLk = len(Lk) for i in range(lenLk): # 遍历LK中的每一个元素 for j in range(i+1, lenLk): # 和后面的元素逐一比较 L1 = list(Lk[i])[:k-2]; L2 = list(Lk[j])[:k-2] # 取列表的两个集合进行比较 L1.sort(); L2.sort() print 'L1 and L2:',L1,L2 if L1==L2: # 如果两个集合的前k-2个元素相同,那么就合并此两个集合为大小k的集合 print 'here !' retList.append(Lk[i] | Lk[j]) # 这里用python中集合的并操作“|” return retListdef apriori(dataSet, minSupport = 0.5): C1 = createC1(dataSet) # C1是候选项集列表 print 'C1:',C1 D = map(set, dataSet) print 'D:',D L1, supportData = scanD(D, C1, minSupport) # L1是得到的是满足最小支持度的项集构成的集合 print 'L1:',L1 print 'supportData:',supportData L = [L1] # L1放入列表中 print 'L:',L k = 2 while (len(L[k-2]) > 0): # 直到下一个大的项集为空 Ck = aprioriGen(L[k-2], k) # ck是非重复的项集,即候选项集列表 print 'CK:',Ck Lk, supK = scanD(D, Ck, minSupport) # 得到Lk,即得到满足最小支持度的项集 print 'Lk_2:',Lk print 'supK:',supK supportData.update(supK) # 这里是更新supportData字典,即加入supk,得到总的支持度字典 print 'supportData_2:',supportData L.append(Lk) # 得到总的满足支持度要求的项集集合 print 'L_2:',L k += 1 return L, supportData# 主函数dataSet=loadDataSet()L,suppData=apriori(dataSet)print 'L:',L
运行结果:
list_C1: [[1]]list_C1: [[1], [3]]list_C1: [[1], [3], [4]]list_C1: [[1], [3], [4], [2]]list_C1: [[1], [3], [4], [2], [5]]C1: [frozenset([1]), frozenset([2]), frozenset([3]), frozenset([4]), frozenset([5])]D: [set([1, 3, 4]), set([2, 3, 5]), set([1, 2, 3, 5]), set([2, 5])]retList: [frozenset([5])]retList: [frozenset([2]), frozenset([5])]retList: [frozenset([3]), frozenset([2]), frozenset([5])]retList: [frozenset([1]), frozenset([3]), frozenset([2]), frozenset([5])]L1: [frozenset([1]), frozenset([3]), frozenset([2]), frozenset([5])]supportData: {frozenset([5]): 0.75, frozenset([2]): 0.75, frozenset([3]): 0.75, frozenset([1]): 0.5}L: [[frozenset([1]), frozenset([3]), frozenset([2]), frozenset([5])]]LK_1: [frozenset([1]), frozenset([3]), frozenset([2]), frozenset([5])]L1 and L2: [] []here !L1 and L2: [] []here !L1 and L2: [] []here !L1 and L2: [] []here !L1 and L2: [] []here !L1 and L2: [] []here !CK: [frozenset([1, 3]), frozenset([1, 2]), frozenset([1, 5]), frozenset([2, 3]), frozenset([3, 5]), frozenset([2, 5])]retList: [frozenset([3, 5])]retList: [frozenset([2, 3]), frozenset([3, 5])]retList: [frozenset([2, 5]), frozenset([2, 3]), frozenset([3, 5])]retList: [frozenset([1, 3]), frozenset([2, 5]), frozenset([2, 3]), frozenset([3, 5])]Lk_2: [frozenset([1, 3]), frozenset([2, 5]), frozenset([2, 3]), frozenset([3, 5])]supK: {frozenset([1, 3]): 0.5, frozenset([2, 3]): 0.5, frozenset([3, 5]): 0.5, frozenset([2, 5]): 0.75}supportData_2: {frozenset([5]): 0.75, frozenset([3]): 0.75, frozenset([3, 5]): 0.5, frozenset([2, 3]): 0.5, frozenset([2, 5]): 0.75, frozenset([1]): 0.5, frozenset([1, 3]): 0.5, frozenset([2]): 0.75}L_2: [[frozenset([1]), frozenset([3]), frozenset([2]), frozenset([5])], [frozenset([1, 3]), frozenset([2, 5]), frozenset([2, 3]), frozenset([3, 5])]]LK_1: [frozenset([1, 3]), frozenset([2, 5]), frozenset([2, 3]), frozenset([3, 5])]L1 and L2: [1] [2]L1 and L2: [1] [2]L1 and L2: [1] [3]L1 and L2: [2] [2]here !L1 and L2: [2] [3]L1 and L2: [2] [3]CK: [frozenset([2, 3, 5])]retList: [frozenset([2, 3, 5])]Lk_2: [frozenset([2, 3, 5])]supK: {frozenset([2, 3, 5]): 0.5}supportData_2: {frozenset([5]): 0.75, frozenset([3]): 0.75, frozenset([2, 3, 5]): 0.5, frozenset([3, 5]): 0.5, frozenset([2, 3]): 0.5, frozenset([2, 5]): 0.75, frozenset([1]): 0.5, frozenset([1, 3]): 0.5, frozenset([2]): 0.75}L_2: [[frozenset([1]), frozenset([3]), frozenset([2]), frozenset([5])], [frozenset([1, 3]), frozenset([2, 5]), frozenset([2, 3]), frozenset([3, 5])], [frozenset([2, 3, 5])]]LK_1: [frozenset([2, 3, 5])]CK: []Lk_2: []supK: {}supportData_2: {frozenset([5]): 0.75, frozenset([3]): 0.75, frozenset([2, 3, 5]): 0.5, frozenset([3, 5]): 0.5, frozenset([2, 3]): 0.5, frozenset([2, 5]): 0.75, frozenset([1]): 0.5, frozenset([1, 3]): 0.5, frozenset([2]): 0.75}L_2: [[frozenset([1]), frozenset([3]), frozenset([2]), frozenset([5])], [frozenset([1, 3]), frozenset([2, 5]), frozenset([2, 3]), frozenset([3, 5])], [frozenset([2, 3, 5])], []]L: [[frozenset([1]), frozenset([3]), frozenset([2]), frozenset([5])], [frozenset([1, 3]), frozenset([2, 5]), frozenset([2, 3]), frozenset([3, 5])], [frozenset([2, 3, 5])], []]
从运行结果可以看出具体的运行过程,结合下图理解。
注意:
- frozenset是指被“冰冻”的集合,就是说它们是不可改变的,即用户不能修改它们。这里必须要使用frozenset而不是set类型,因为之后必须要将这些集合作为字典键值使用,使用frozenset可以实现这一点,而set却做不到。
- Python不能创建只有一个整数的集合,因此这里实现必须使用列表。这就是我们使用一个由单物品列表组成的大列表的原因。最后,对大列表进行排序并将其中的每个单元素列表映射到frozenset(),最后返回frozenset的列表。
- 上面的k-2有点让人疑惑。接下来再进一步讨论细节。当利用{0}、{1}、{2}构建{0,1}、{0,2}、{1,2}时,这实际上是将单个项组合到一块。现在如果想利用{0,1}、{0,2}、{1,2}来创建三元素项集应该怎么做?如果将每两个集合合并,就会得到{0,1,2}、{0,1,2}、{0,l,2}。也就是说,同样的结果集合会重复3次。接下来需要扫描三元素项集列表来得到非重复结果,我们要做的是确保遍历列表的次数最少。现在,如果比较集合{0,1}、{0,2},{1,2}的第1个元素并只对第1个元素相同的集合求并操作,又会得到什么结果?{0,l,2},而且只有一次操作!这样就不需要遍历列表来寻找非重复值。
- 将两个集合合成一个大小为k的集合。这里使用集合的并操作来完成,在python中对应操作符
|
2. 从频繁项集中挖掘关联规则
这里要首先明白的而是可信的计算方式:
一条规则
类似于上面的频繁项集生成,我们可以为每个频繁项集产生许多关联规则。如果能够减少规则数目来确保问题的可解性,那么计算起来就会好很多。可以观察到,如果某条规则并不满足最小可信度要求,那么该规则的所有子集也不会满足最小可信度要求。上图中,假设规则
代码:
# -*- coding: utf-8 -*-"""Created on Thu Nov 09 20:52:41 2017"""from numpy import *def loadDataSet(): return [[1, 3, 4], [2, 3, 5], [1, 2, 3, 5], [2, 5]]# 生成候选规则集合(计算可信度值)def calcConf(freqSet, H, supportData, brl, minConf=0.7): prunedH = [] # 空列表保存满足最小可信度要求的规则列表 for conseq in H: # 遍历H中的所有项集,并计算他们的可信度值 # supportData[freqSet]是频繁集的值,也就是支持度,freqSet是相应的键,freqSet-conseq集合相减 print 'P -->H:',freqSet-conseq,'-->',conseq conf = supportData[freqSet]/supportData[freqSet-conseq] # 得到可信度 print 'conf:',conf if conf >= minConf: # 如果满足最小可信度值 print freqSet-conseq,'-->',conseq,'conf:',conf # 打印出来 brl.append((freqSet-conseq, conseq, conf)) # 规则添加到列表中 prunedH.append(conseq) return prunedH# 生成更多的关联规则def rulesFromConseq(freqSet, H, supportData, brl, minConf=0.7): # H是频繁项集的拆分 m = len(H[0]) # 首先计算拆分的频繁项集的大小 print 'm:',m if (len(freqSet) > (m + 1)): # 尝试进一步合并 Hmp1 = aprioriGen(H, m+1) # 创建Hm+1条新候选规则,生成H中元素的无重复组合 print 'Hmp1:',Hmp1 Hmp1 = calcConf(freqSet, Hmp1, supportData, brl, minConf) print 'Hmp1_2:',Hmp1 if (len(Hmp1) > 1): # 使用hmp迭代调用函数rulesFromConseq()来判断是否可以进一步组合规则 rulesFromConseq(freqSet, Hmp1, supportData, brl, minConf)# 关联规则生成函数def generateRules(L, supportData, minConf=0.7): #频繁项集列表,包含频繁项集支持数据的字典,最小可信度阈值 bigRuleList = [] for i in range(1, len(L)): # 遍历每一个频繁项集,从第二个项集开始 for freqSet in L[i]: # 为每个频繁项集创建只包含单个元素集合的列表H1 print 'L[i]:',L[i] print 'freqSet:',freqSet H1 = [frozenset([item]) for item in freqSet] # 列表推导式 print 'H1:',H1 if (i > 1): print 'i=%d...' % i rulesFromConseq(freqSet, H1, supportData, bigRuleList, minConf) else: # i=1表示频繁项集的元素数目为2 print 'i=1.....' calcConf(freqSet, H1, supportData, bigRuleList, minConf) print 'bigRuleList:',bigRuleList # 对应的是calcConf函数中的brl参数 return bigRuleList # 返回一个包含可信度的规则列表 # 构建第一个候选子集def createC1(dataSet): C1 = [] # 用来存储所有不重复的项值 for transaction in dataSet: # 遍历数据集的每一次交易记录 for item in transaction: # 遍历每一记录的每一项 if not [item] in C1: C1.append([item]) # 添加只包含该物品项的一个列表 C1.sort() # 对列表进行排序 frozenset_C1=map(frozenset, C1) # 这里把C1的每个元素映射到frozenset() return frozenset_C1 # 返回frozenset的列表# 从Ck生成Lkdef scanD(D, Ck, minSupport): # 三个参数:数据集,候选项集列表,感兴趣项集的最小支持度 ssCnt = {} for tid in D: # 遍历数据集的每一交易记录 for can in Ck: # 遍历每一候选项集 if can.issubset(tid): # 判断该集合是否是记录的一部分 if not ssCnt.has_key(can): # 如果没有,该集合就把该集合增加到字典中 ssCnt[can]=1 # 这里字典的键就是该项集 else: ssCnt[can] += 1 # 如果已经有了键,就计数加1 numItems = float(len(D)) # 变为浮点数 retList = [] # 该列表包含满足最小支持度要求的集合 supportData = {} for key in ssCnt: # 遍历字典的每个元素 support = ssCnt[key]/numItems # 计算支持度(分母是所有的交易记录) if support >= minSupport: # 如果满足最小支持度 retList.insert(0,key) # 则将字典元素添加到retlist列表 supportData[key] = support # 返回所有项集的支持度 return retList, supportData # 返回频繁项集的支持度# 创建候选项集CKdef aprioriGen(Lk, k): # 参数分别是:频繁项集列表LK,项集元素个数K retList = [] lenLk = len(Lk) for i in range(lenLk): # 遍历LK中的每一个元素 for j in range(i+1, lenLk): # 和后面的元素逐一比较 L1 = list(Lk[i])[:k-2]; L2 = list(Lk[j])[:k-2] # 取列表的两个集合进行比较 L1.sort(); L2.sort() if L1==L2: # 如果两个集合的前k-2个元素相同,那么就合并此两个集合为大小k的集合 retList.append(Lk[i] | Lk[j]) # 这里用python中集合的并操作“|” return retListdef apriori(dataSet, minSupport = 0.5): C1 = createC1(dataSet) # C1是候选项集列表 D = map(set, dataSet) L1, supportData = scanD(D, C1, minSupport) # L1是得到的是满足最小支持度的项集构成的集合 L = [L1] # L1放入列表中 k = 2 while (len(L[k-2]) > 0): # 直到下一个大的项集为空 Ck = aprioriGen(L[k-2], k) # ck是非重复的项集,即候选项集列表 Lk, supK = scanD(D, Ck, minSupport) # 得到Lk,即得到满足最小支持度的项集 supportData.update(supK) # 这里是更新supportData字典,即加入supk,得到总的支持度字典 L.append(Lk) # 得到总的满足支持度要求的项集集合 k += 1 return L, supportData# 主函数dataSet=loadDataSet()L,suppData=apriori(dataSet,minSupport = 0.5)print 'L:',Lprint 'suppData:',suppData rules=generateRules(L, suppData, minConf=0.7) print 'rules:',rules
运行结果:
L: [[frozenset([1]), frozenset([3]), frozenset([2]), frozenset([5])], [frozenset([1, 3]), frozenset([2, 5]), frozenset([2, 3]), frozenset([3, 5])], [frozenset([2, 3, 5])], []]suppData: {frozenset([5]): 0.75, frozenset([3]): 0.75, frozenset([2, 3, 5]): 0.5, frozenset([3, 5]): 0.5, frozenset([2, 3]): 0.5, frozenset([2, 5]): 0.75, frozenset([1]): 0.5, frozenset([1, 3]): 0.5, frozenset([2]): 0.75}L[i]: [frozenset([1, 3]), frozenset([2, 5]), frozenset([2, 3]), frozenset([3, 5])]freqSet: frozenset([1, 3])H1: [frozenset([1]), frozenset([3])]i=1.....P -->H: frozenset([3]) --> frozenset([1])conf: 0.666666666667P -->H: frozenset([1]) --> frozenset([3])conf: 1.0frozenset([1]) --> frozenset([3]) conf: 1.0bigRuleList: [(frozenset([1]), frozenset([3]), 1.0)]L[i]: [frozenset([1, 3]), frozenset([2, 5]), frozenset([2, 3]), frozenset([3, 5])]freqSet: frozenset([2, 5])H1: [frozenset([2]), frozenset([5])]i=1.....P -->H: frozenset([5]) --> frozenset([2])conf: 1.0frozenset([5]) --> frozenset([2]) conf: 1.0P -->H: frozenset([2]) --> frozenset([5])conf: 1.0frozenset([2]) --> frozenset([5]) conf: 1.0bigRuleList: [(frozenset([1]), frozenset([3]), 1.0), (frozenset([5]), frozenset([2]), 1.0), (frozenset([2]), frozenset([5]), 1.0)]L[i]: [frozenset([1, 3]), frozenset([2, 5]), frozenset([2, 3]), frozenset([3, 5])]freqSet: frozenset([2, 3])H1: [frozenset([2]), frozenset([3])]i=1.....P -->H: frozenset([3]) --> frozenset([2])conf: 0.666666666667P -->H: frozenset([2]) --> frozenset([3])conf: 0.666666666667bigRuleList: [(frozenset([1]), frozenset([3]), 1.0), (frozenset([5]), frozenset([2]), 1.0), (frozenset([2]), frozenset([5]), 1.0)]L[i]: [frozenset([1, 3]), frozenset([2, 5]), frozenset([2, 3]), frozenset([3, 5])]freqSet: frozenset([3, 5])H1: [frozenset([3]), frozenset([5])]i=1.....P -->H: frozenset([5]) --> frozenset([3])conf: 0.666666666667P -->H: frozenset([3]) --> frozenset([5])conf: 0.666666666667bigRuleList: [(frozenset([1]), frozenset([3]), 1.0), (frozenset([5]), frozenset([2]), 1.0), (frozenset([2]), frozenset([5]), 1.0)]L[i]: [frozenset([2, 3, 5])]freqSet: frozenset([2, 3, 5])H1: [frozenset([2]), frozenset([3]), frozenset([5])]i=2...m: 1Hmp1: [frozenset([2, 3]), frozenset([2, 5]), frozenset([3, 5])]P -->H: frozenset([5]) --> frozenset([2, 3])conf: 0.666666666667P -->H: frozenset([3]) --> frozenset([2, 5])conf: 0.666666666667P -->H: frozenset([2]) --> frozenset([3, 5])conf: 0.666666666667Hmp1_2: []bigRuleList: [(frozenset([1]), frozenset([3]), 1.0), (frozenset([5]), frozenset([2]), 1.0), (frozenset([2]), frozenset([5]), 1.0)]rules: [(frozenset([1]), frozenset([3]), 1.0), (frozenset([5]), frozenset([2]), 1.0), (frozenset([2]), frozenset([5]), 1.0)]
结果中给出三条规则:
3. 笔记:
(1)Python List insert()方法:
list.insert(index, obj):
insert() 函数用于将指定对象插入列表的指定位置。该方法没有返回值,但会在列表指定位置插入对象。
index – 对象 obj 需要插入的索引位置。
obj – 要插入列表中的对象。
示例:
>>> aList = [123, 'xyz', 'zara', 'abc']>>> aList.insert( 3, 2009)>>> aList[123, 'xyz', 'zara', 2009, 'abc']>>>
(2) if can.issubset(tid):
In [54]: frozenset([1]).issubset(set([1, 3, 4]))Out[54]: True
(3)
if not [item] in C1: C1.append([item])
得到:
[[1]] # 每次的运行效果[[1], [3]][[1], [3], [4]][[1], [3], [4], [2]][[1], [3], [4], [2], [5]]In [21]: C1 # 最后的c1Out[21]: [frozenset({1}), frozenset({2}), frozenset({3}), frozenset({4}), frozenset({5})]
(4)L1 = list(Lk[i])[:k-2]
In [38]: L1Out[38]: [frozenset({1}), frozenset({3}), frozenset({2}), frozenset({5})]In [39]: L=[L1]In [40]: LOut[40]: [[frozenset({1}), frozenset({3}), frozenset({2}), frozenset({5})]]In [41]: L[0]Out[41]: [frozenset({1}), frozenset({3}), frozenset({2}), frozenset({5})]In [42]: LK=L[0]In [43]: LKOut[43]: [frozenset({1}), frozenset({3}), frozenset({2}), frozenset({5})]In [44]: list(LK[0])Out[44]: [1]In [45]: list(LK[0])[:0]Out[45]: []
(5)list(Lk[i])[:k-2]
In [47]: bb=[1,2,3]In [48]: bb[:]Out[48]: [1, 2, 3]In [49]: bb[:1]Out[49]: [1]In [50]: bb[0]Out[50]: 1In [51]: bb[0:2]Out[51]: [1, 2]In [52]: bb[0:3]Out[52]: [1, 2, 3]In [53]: bb[:2]Out[53]: [1, 2]
(6)H1 = [frozenset([item]) for item in freqSet]
In [66]: L[1]Out[66]: [frozenset({1, 3}), frozenset({2, 5}), frozenset({2, 3}), frozenset({3, 5})]In [67]: [frozenset([item]) for item in frozenset({1, 3})] # 列表推到Out[67]: [frozenset({1}), frozenset({3})]In [68]: [[item] for item in frozenset({1, 3})] Out[68]: [[1], [3]]In [69]: [item for item in frozenset({1, 3})] Out[69]: [1, 3]In [71]: supportData_2={frozenset([5]): 0.75, frozenset([3]): 0.75, frozenset([2, 3, 5]): 0.5, frozenset([3, 5]): 0.5, frozenset([2, 3]): 0.5, frozenset([2, 5]): 0.75, frozenset([1]): 0.5, frozenset([1, 3]): 0.5, frozenset([2]): 0.75}In [72]: supportData_2[frozenset({1, 3})]Out[72]: 0.5In [74]: supportData_2[frozenset({1, 3})-frozenset({1})] Out[74]: 0.75In [75]: frozenset({1, 3})-frozenset({1}) # 集合相减Out[75]: frozenset({3})
- Apriori算法进行关联分析(1)
- Apriori算法进行关联分析(2)
- Apriori算法进行关联分析
- 使用Apriori算法进行关联分析
- 使用Apriori算法进行关联分析
- 使用Apriori算法进行关联分析
- Apriori算法进行数据关联分析
- 使用Apriori算法进行关联分析
- 使用Apriori算法进行关联分析
- 使用Apriori算法进行关联分析
- 利用Apriori算法进行关联分析
- Python3.6-Apriori算法进行关联分析
- 使用Apriori算法进行关联分析
- 使用apriori算法进行关联分析
- 使用Apriori算法进行关联分析
- 关联分析-Apriori算法
- Apriori 算法关联分析
- 关联分析Apriori算法
- c++的cout输出控制符
- 可变参数列表
- idea的toString()之json-Templates
- vi /vim自动缩进或者显示行号
- 大连理工大学软件学院数据库复习——SQL语句(《数据库系统概念第6版》)
- Apriori算法进行关联分析(1)
- spring cloud 前人踩过的坑
- java.util.regex.PatternSyntaxException: Unexpected internal error near index 1 \
- 开启Mysql慢查询日志
- 上机练习题——异常处理1
- 函数的重载,
- 时间和日期
- 鼠标右键菜单
- 谈一次java web系统的重构思路