精华内容
下载资源
问答
  • apriori算法应用
    千次阅读
    2019-01-24 21:00:14

    基于R语言的Apriori算法应用案例

    # 加载相关包
    library(arules)

    data("Groceries")
    summary(Groceries)
    #-------------------查看数据集信息
    class(Groceries)
    Groceries
    dim(Groceries)
    colnames(Groceries)[1:5]
    rownames(Groceries)[1:5]

    # basketSize表示每个transaction包含item的数目,是row level。
    # ItemFrequency是这个item的支持度,是column level。
    basketSize <- size(Groceries) 
    summary(basketSize)
    sum(basketSize) # count of all 1s in the sparse matrix

    itemFreq <- itemFrequency(Groceries) 
    itemFreq[1:5]
    sum(iterFreq)

    # 查看basketSize的分布:密度曲线(TO ADD HERE)
    # itemCount表示每个item出现的次数
    # Support(X) = Xs / N, N是总的交易数,Xs就是Item X的count。
    # itemXCount = N * itemXFreq = (ItemXFreq / sum(itemFreq)) * sum(basketSize)
    itemCount <- (itemFreq/sum(itemFreq))*sum(basketSize)
    summary(itemCount)
    orderedItem <- sort(itemCount,decreasing = T)
    orderedItem[1:10]

    # 把支持度itemFrequency排序,查看支持度的最大值
    orderedItemFreq <- sort(itemFrequency(Groceries), decreasing=T)
    orderedItemFreq[1:10]
    itemFrequency(Groceries[100:800,1:3])
    itemFrequencyPlot(Groceries,support=0.1) # 按最小支持度查看
    itemFrequencyPlot(Groceries,topN=10,horiz=T) # 按照排序查看

    # 根据业务对数据集进行过滤,获得进一步规则挖掘的数据集
    groceries_use <- Groceries[basketSize>1]
    dim(groceries_use)

    # 查看数据
    inspect(Groceries[1:5])
    # 通过图形更直观观测数据的稀疏情况。一个点代表在某个transaction上购买了item。
    image(Groceries[1:10])
    # 用sample函数进行采样显示
    image(sample(Groceries,100))


    library(arules) # association rules
    library(arulesViz) # data visualization of association rules
    library(RColorBrewer) # color palettes for plots

    # ----------------- 规则挖掘
    # 设定一个最小支持度
    # apriori 默认的support=0.1, confidence=0.8, minlen=1, maxlen=10
    groceryrules <- apriori(Groceries,parameter = list(support=0.006,confidence=0.25,minlen=2))

    #------------------评估模型
    summary(groceryrules)
    # 使用inspect查看具体的规则
    inspect(groceryrules[1:5])

    #----------------- 评估规则
    # 规则分为三类:
    # 1.Actionable:这些rule提供了非常清晰、有用的洞察,可以直接应用在业务上。
    # 2.Trivial:这些rule显而易见,很清晰但是没啥用。属于common sense,如 {尿布} => {婴儿食品}。
    # 3.Inexplicable:这些rule是不清晰的,难以解释,需要额外的研究来判定是否是有用的rule。
    # 按照某种度量,对规则进行排序
    ordered_groceryrules <- sort(groceryrules, by="lift")
    inspect(ordered_groceryrules[1:5])


    #----------------- 搜索规则 
    yogurtrules <- subset(groceryrules, items %in% c("yogurt"))
    inspect(yogurtrules)
    ## items %in% c("A", "B")表示 lhs+rhs的项集并集中,至少有一个item是在c("A", "B")。item = A or item = B
    ## 如果仅仅想搜索lhs或者rhs,那么用lhs或rhs替换items即可。如:lhs %in% c("yogurt")

    # %in%是精确匹配
    # %pin%是部分匹配,也就是说只要item like '%A%' or item like '%B%'
    # %ain%是完全匹配,也就是说itemset has ’A' and itemset has ‘B'
    # 可以通过 条件运算符(&, |, !) 添加 support, confidence, lift的过滤条件。

    fruitrules <- subset(groceryrules, items %pin% c("fruit"))
    inspect(fruitrules)
    byrules <- subset(groceryrules, items %ain% c("berries", "yogurt"))
    inspect(byrules)
    fruitrules <- subset(groceryrules, items %pin% c("fruit") & lift > 2)
    inspect(fruitrules)

    # 查看其它的quality measure
    qualityMeasures  <- interestMeasure(groceryrules, method=c("coverage","fishersExactTest","conviction", "chiSquared"), transactions=groceries)
    summary(qualityMeasures)

    quality(groceryrules) <- cbind(quality(groceryrules), qualityMeasures)
    inspect(head(sort(groceryrules, by = "conviction", decreasing = F)))

    # 限制挖掘的item
    berriesInLHS <- apriori(Groceries, parameter = list( support = 0.001, confidence = 0.1 ), appearance = list(lhs = c("berries"), default="rhs"))
    summary(berriesInLHS)
    inspect(berriesInLHS)
    inspect(head(rhs(berriesInLHS), n=5))

    berrySub <- subset(berriesInLHS, subset = !(rhs %in% c("root vegetables", "whole milk")))
    inspect(head(rhs(sort(berrySub, by="confidence")), n=5))
    berrySub

    # 保存挖掘的结果
    # 第一,保存到文件。可以与外部程序进行交换
    write(groceryrules,file = "groceryrules.csv", sep = ",",quote = TRUE,row.names = FALSE)

    # 第二,转换为data frame 然后再进一步的处理。
    groceryrules_df <- as(groceryrules,"data.frame")
    str(groceryrules_df)

    # 进阶部分
    print(levels(itemInfo(Groceries)[["level1"]]))
    print(levels(itemInfo(Groceries)[["level2"]]))

    # 一般来说,如果商品有类别信息,可以尝试在类别上进行关联规则的挖掘,
    # 毕竟成千上百个商品之间的规则挖掘要困难得多。可以先从高粒度上进行挖掘实验,
    # 然后再进行细粒度的挖掘实验。
    inspect(Groceries[1:3])
    Groceries <- aggregate(Groceries,itemInfo(Groceries)[["level2"]])
    inspect(Groceries[1:3])

    itemFrequencyPlot(Groceries, support = 0.025, cex.names=0.8, xlim = c(0,0.3),
                      type = "relative", horiz = TRUE, col = "dark red", las = 1,
                      xlab = paste("Proportion of Market Baskets Containing Item",
                                   "\n(Item Relative Frequency or Support)"))

    # 规则的图形展示
    second.rules <- apriori(Groceries,parameter = list(support=0.025,confidence=0.05))
    print(summary(second.rules))
    # Scatter Plot
    plot(second.rules, control=list(jitter=2, col = rev(brewer.pal(9, "Greens")[4:9])),shading = "lift")   
    # Grouped Matrix
    plot(second.rules, method="grouped",control=list(col = rev(brewer.pal(9, "Greens")[4:9])))
    # Graph
    top.vegie.rules <- sort(groceryrules, by=c('support','lift'))[1:10]
    plot(top.vegie.rules, measure="confidence", method="graph",control=list(type="items"),shading = "lift")

    更多相关内容
  • 数据挖掘算法之Apriori算法应用实例

    万次阅读 2018-12-17 21:25:04
    版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/weixin_43460394 目录   Apriori算法 预备知识 ...1 Apriori算法思想 ...3 Apriori算法应用实例 3.1发现频繁项集过程  ...

     版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/weixin_43460394

    目录

                           

    Apriori算法

    预备知识

    1  Apriori算法思想

    2.  Apriori算法流程

    3  Apriori算法应用实例

    3.1发现频繁项集过程


                           

    Apriori算法

    预备知识

    支持度:支持的程度,一个项集的支持度被定义为数据集中包含的该项集的记录所占的比例。

                                  公式1   support({A,B})= num A∩B/W  = PA∩B

    置信度:A出现时B是否一定出现,若出现概率是多少大?即A→B。

                                  公式2  confidence(A→B)= support({A,B})/ support({A})= P(B/A)

    1  Apriori算法思想

    基本思想是:首先找出所有的频集(频集是指从项集中按照预定义的最小支持度而筛选出来的,当项集中的各项大于或等于最小支持度时,即被筛选出来,构成频繁项集。),这些项集出现的频繁性至少应和预定义的最小支持度一样。由频集产生强关联规则,这些规则应满足最小支持度和最小可信度。使用第1步(是1.2中的a的第一步。)找到的频集产生期望的规则,产生只包含集合的项的所有规则,其中每一条规则的右部只有一项,这里采用的是中规则的定义。这些规则一旦被生成,大于用户给定的最小可信度的规则才被留下来。为了生成所有频集,使用了递推的方法。

    2.  Apriori算法流程

    a) 找出所有频繁项集,过程由连接步和剪枝步互相融合,获得最大频繁项集Lk。具体方法:

    1) 对给定的最小支持度阀值,分别对1项候选集C1,剔除小于改阀值的项集得到1项频繁

    集L1;

    2) L1自身连接产生2项候选集C2,保留C2中满足约束条件的项集得到2项集L2;

    3) L2与L1连接产生3项候选集C3,保留C3中满足约束条件的项集L3;

    4) 循环下去,得到最大频繁项集Lk。

    b)由频繁项集产生强关联规则,获得满足最小置信度阀值频繁项集,因此挖掘出了强关联规则。

    3  Apriori算法应用实例

                                                                                   表1  工艺相关参数项目集

    事务ID

    A设备参数(1)

    B设备参数(2)

    C设备参数(3)

    D设备参数(4)

                                   等级

    甲(5)

    乙(6)

    丙(7)

    01

    1

    2

    3

    4

    5

     

     

    02

    1

    2

    3

    4

    5

     

     

    03

    1

    2

    3

     

     

    6

     

    04

    1

     

    3

    4

     

     

    7

    05

    1

    2

    3

    4

    5

     

     

    06

    1

    2

    3

    4

    5

     

     

    07

    1

    2

    3

    4

    5

     

     

    08

    1

    2

     

    4

     

    6

     

    注1:每行为一个事务,行中的每个元素为一个项。由一个或多个项组成的一个整体叫做项集。

    注2:各设备发生异常时表中信息为空(不填)。

    注3:“1”表示A设备正常;“2”代表B设备正常;“3”代表C设备正常;“4”代表D设备正常;“5”代表质量等级为甲级;“6”代表质量等级为乙级;“7”代表质量等级为丙级。

    3.1发现频繁项集过程

                                

                                                                  图1  发现频繁项集过程(最小支持度取0.2)

    对于寻找关联规则来说,频繁1项集L1没有用处,因为L1中的每个集合仅有一个数据项,至少有两个数据项才能生成A→B这样的关联规则。

    频繁2项集L2,挖掘过程见表2(取置信度为0.7)。

                                                                                                     表2

    L2

    支持

    关联规则

    置信度

    最终关联关系

    {1,2}

    7

    1→2

    7/8

    1→2

    ...

     

    2→1

    1

    2→1

    {1,5}

    5

    1→5

    5/8

     

    ...

     

    5→1

    1

    5→1

    {1,6}

    2

    1→6

    1/4

     

    ...

     

    6→1

    1

    6→1

    {2,5}

    5

    2→5

    5/7

    2→5

    ...

     

    5→2

    1

    5→2

    {2,6}

    2

    2→6

    2/7

     

    L2

    支持度

    关联规则

    置信度

    最终关联关系

    ...

     

    6→2

    1

    6→2

    {3,5}

    5

    3→5

    5/7

    3→5

    ...

     

    5→3

    1

    5→3

    {4,5}

    5

    4→5

    5/7

    4→5

    ...

     

    5→4

    1

    5→4

    ...

    ...

    ....

    ...

    ...

    频繁3项集L3,挖掘过程见表3(   两后件关联关系且取置信度为0.7)。

                                                                                                    表3

    L3

    支持度

    关联规则

    置信度

    最终关联关系

    {1,2,5}

    5

    1→2,5

    5/8

     

    ...

     

    2→1,5

    5/7

    2→1,5

    ...

     

    5→1,2

    1

    5→1,2

    {1,2,6}

    2

    1→2,6

    1/4

     

    ...

     

    2→1,6

    2/7

     

    ...

     

    6→1,2

    1

    6→1,2

    {1,3,5}

    5

    1→3,5

    5/8

     

    ...

     

    3→1,5

    5/7

    3→1,5

    ...

     

    5→1,3

    1

    5→1,3

    {1,4,5}

    5

    1→4,5

    5/8

     

    ...

     

    4→1,5

    5/7

    4→1,5

    ...

     

    5→1,4

    1

    5→1,4

    {2,4,5}

    5

    2→4,5

    5/7

    2→4,5

    ...

     

    4→2,5

    5/7

    4→2,5

    ...

     

    5→2,4

    1

    5→2,4

    ...

    ...

    ...

    ...

    ...

    频繁4项集L4,挖掘过程见表4(   三后件关联关系且取置信度为0.7)。

                                                                                                   表4

    L3

    支持度

    关联规则

    置信度

    最终关联关系

    {1,2,3,5}

    5

    1→2,3,5

    5/8

     

    ...

     

    2→1,3,5

    5/7

    2→1,3,5

    ...

     

    3→1,2,5

    5/7

    3→1,2,5

    ...

     

    5→1,2,3

    1

    5→1,2,3

    {1,2,4,5}

    5

    1→2,4,5

    5/8

     

    ...

     

    2→1,4,5

    5/7

    2→1,4,5

                                                                                                  表4(续)

    L3

    支持度

    关联规则

    置信度

    最终关联关系

    ...

     

    4→1,2,5

    5/7

    4→1,2,5

    ...

     

    5→1,2,4

    1

    5→1,2,4

    {1,3,4,5}

    5

    1→3,4,5

    5/8

     

    ...

     

    3→1,4,5

    5/7

    3→1,4,5

    ...

     

    4→1,3,5

    5/7

    4→1,3,5

    ...

     

    5→1,3,4

    1

    5→1,3,4

    {2,3,4,5}

    5

    2→3.4,5

    5/7

    2→3.4,5

    ...

     

    3→2,4,5

    5/7

    3→2,4,5

    ...

     

    4→2,3,5

    5/7

    4→2,3,5

    ...

     

    5→2,3,4

    1

    5→2,3,4

    ...

    ...

    ...

    ...

    ...

    上面的计算可以看出,产品质量等级与工艺的相关数据存在关联规则,关联规则由上述表中给出。显然,当某个设备发生波动或异常时,产品质量会相应的降低甚至不合格,且通过关联关系,我们可以找寻出与产品质量强相关的工艺参数并加以监控,从而达到异常工艺的精准定位,进而提高产品质量。

    展开全文
  • Apriori算法应用(python)


    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。
    在这里插入图片描述
    2.将所有元素转换为frozenset型字典,存放到列表中。
    在这里插入图片描述

    3.过滤掉不符合支持度的集合
    在这里插入图片描述
    4生成所有可以组合的集合。
    在这里插入图片描述
    5.对规则进行评估 获得满足最小可信度的关联规则。
    在这里插入图片描述
    6.生成候选规则集合。
    在这里插入图片描述
    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。
    在这里插入图片描述
    2.由频繁项集产生强关联规则。
    在这里插入图片描述
    实验结果:
    在这里插入图片描述


    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。

    展开全文
  • FP_growth与Apriori算法比较应用,杨威,耿立明,随着数据挖掘技术的不断向前发展,新的、高效的算法的不断出现。服务行业业务中,由于算法的固有缺陷而影响数据挖掘效果和效率的
  • Apriori算法及其实现

    2018-04-16 19:46:09
    经典的关联规则数据挖掘算法Apriori 算法广泛应用于各种领域,通过对数据的关联性进行了分析和挖掘,挖掘出的这些信息在决策制定过程... 本文通过对Apriori算法的基本思想,挖掘出内含的数据关系,并实现Apriori算法
  • 关联规则Apriori算法实验,内内含代码和。word报告,包您满意。关联规则Apriori算法实验,内内含代码和。word报告,包您满意。关联规则Apriori算法实验,内内含代码和。word报告,包您满意。关联规则Apriori算法实验...
  • Apriori算法实例

    千次阅读 2021-03-31 21:42:29
    Apriori算法实例 学习Apriori算法首先要了解几个概念:项集、支持度、置信度、最小支持度、最小置信度、频繁项集。 支持度:项集A、B同时发生的概率称之为关联规则的支持度。 置信度:项集A发生的情况下,则项集B...

    Apriori算法实例

    学习Apriori算法首先要了解几个概念:项集、支持度、置信度、最小支持度、最小置信度、频繁项集。

    支持度:项集A、B同时发生的概率称之为关联规则的支持度。

    置信度:项集A发生的情况下,则项集B发生的概率为关联规则的置信度。

    最小支持度:最小支持度就是人为按照实际意义规定的阈值,表示项集在统计意义上的最低重要性。
    最小置信度:最小置信度也是人为按照实际意义规定的阈值,表示关联规则最低可靠性。
    如果支持度与置信度同时达到最小支持度与最小置信度,则此关联规则为强规则。
    频繁项集:满足最小支持度的所有项集,称作频繁项集。
    (频繁项集性质:1、频繁项集的所有非空子集也为频繁项集;2、若A项集不是频繁项集,则其他项集或事务与A项集的并集也不是频繁项集)

    #Apriori算法
    from numpy import *
    import time
    
    def loadDataSet():
        return [[1,3,4],[2,3,5],[1,2,3,5],[2,5]]
    
    def createC1(dataSet):
        C1 = []
        for transaction in dataSet:
            for item in transaction:
                if not [item] in C1:
                    C1.append([item])
        C1.sort()
        return list(map(frozenset,C1))
    
    def scanD(D,Ck,minSupport):
        ssCnt = {}
        for tid in D:
            for can in Ck:
                if can.issubset(tid):
                    if not can in ssCnt:
                        ssCnt[can] = 1
                    else:
                        ssCnt[can] += 1
        numItems = float(len(D))
        retList = []
        supportData = {}
        for key in ssCnt:
            support = ssCnt[key]/numItems
            if support >= minSupport:
                retList.append(key)
            supportData[key] = support
            print(retList)
        return retList, supportData
    
    def aprioriGen(Lk, k):
        lenLk = len(Lk)
        temp_dict = {}
        for i in range(lenLk):
            for j in range(i+1, lenLk):
                L1 = Lk[i]|Lk[j]
                if len (L1) == k:
                    if not L1 in temp_dict:
                        temp_dict[L1] = 1
        return list(temp_dict)
    def apriori(dataSet,minSupport =0.5):
        C1 = createC1(dataSet)
        D =list(map(set,dataSet))
        L1,supportData = scanD(D,C1,minSupport)
        L=[L1]
        k = 2
        while (len(L[k-2])>0):
            Ck = aprioriGen(L[k-2],k)
            Lk,supk=scanD(D,Ck,minSupport)
            supportData.update(supk)
            L.append(Lk)
            k +=1
        return L,supportData
    
    dataSet = loadDataSet()
    begin_time = time.time()
    L,suppData = apriori(dataSet)
    

    在这里插入图片描述

    展开全文
  • 一个不错的关于保险营销的Apriori算法应用
  • 2.Apriori算法原理 2.1Apriori算法在具体实现 时,将关联规则的挖掘过程分解为两个子问题。 1.发现频繁项集 根据用户给定的最小支持度min_sup ,寻找出所有的频繁项集,即满足支持度Support不低于min_ sup的所有项...
  • Apriori 算法实验报告 学 号 姓 名 专 业 计算机应用技术 教 师 计算机学院 目 录 1 APRIORI 实验 . 1 1.1 实验背景 . 1 1.1.1 国内外研究概况 . 1 1.1.2 发展趋势 . 1 1.2 实验内容与要求 . 1 1.2.1 实验内容 . 1 ...
  • 改进的Apriori算法在贫困助学体系中的应用,饶亮,汤春明,随着高校贫困生人数的不断增加,学校管理部门资助工作难度也越加增大。针对这一现象,提出一种基于数据挖掘算法的解决方法。将关
  • 基于Apriori算法的图书推荐应用研究.pdf
  • 精品文档可编辑 值得下载 Apriori算法在学生成绩分析中的应用 摘要该文将关联规则的Apriori算法应用于考试系统中通过对考生各门课程考试成绩的分析找出课程之间的联系为教师的教学及学生的努力方向提供指导性意见 ...
  • 我们使用 Apriori 算法来识别频繁项集。 它通过识别数据库中频繁出现的单个项目并将它们扩展到更大的项目集,同时这些项目满足最低支持要求(数据库中项目的频率)。 然后使用 Apriori 确定的频繁项集来确定关联...
  • Apriori算法是常用的用于挖掘出数据关联规则的算法,它用来找出数据值中频繁出现的数据集合,找出这些集合的模式有助于我们做一些决策。 例如什么商品集合顾客会在同一次购物中购买?最著名的例子莫过于啤酒与尿布的...
  • Apriori算法讲解

    2018-07-09 20:34:12
    Apriori算法应用于网络安全领域,比如入侵检测技术中。早期中大型的电脑系统中都收集审计信息来建立跟踪档,这些审计跟踪的目的多是为了性能测试或计费,因此对攻击检测提供的有用信息比较少。它通过模式的学习和...
  • 基于Apriori算法的手机APP和广告投入分析.pdf
  • Apriori算法详解及手写案例

    千次阅读 2020-09-07 19:08:33
    在数据挖掘中有一种关联分析算法叫做Apriori算法,大家可能都听说过啤酒尿布的故事,购买尿布的爸爸很可能会再去购买一份啤酒来犒劳自己,在大数据的背景下已经无法使用人工的方法去发现海量商品间的关联性,所以...
  • Apriori算法是一种挖掘关联规则的频繁项集算法,其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。而且算法已经被广泛的应用到商业、网络安全等各个领域。今天课课家就和大家全面的介绍一下...
  • 关联规则之Apriori算法

    千次阅读 2020-06-08 21:33:09
    二、Apriori算法 2.1 Apriori算法思想 2.2 Apriori算法流程 一、关联规则 关联规则分析(Association Rule Analysis)是为了发掘数据背后的关联关系而诞生的。 我们可以定义一个关联规则: 其中,X,Y分别表示...
  • 利用Python实现Apriori算法以及算法可视化平台的搭建。
  • 基于Apriori算法关联规则推荐教学视频应用研究.pdf
  • 关联规则Apriori算法在煤矿生产数据上的应用研究,戴明军,程灿,本文以C#.NET开发煤矿生产调度子系统为背景,为挖掘出煤矿生产数据之间的关联规则,采用了关联规则的经典算法Apriori算法对该子系统�
  • 随着数据库架构技术和网络技术的发展,数据挖掘技术在电子商务中的应用也逐渐推广,尤其是Apriori算法能对频繁项集进行挖掘。本文从Web数据库中运用数据的挖掘模式、关联、预测、评估和聚类等技术手段,从中提取出可以...
  • Apriori算法在数据挖掘中的应用.pdf
  • Apriori算法在旅游线路推荐系统中的应用.pdf
  • 挖掘关联规则在学生成绩分析中的应用算法apriori 运行环境:matlab
  • Apriori算法应用.pdf

    2022-07-10 08:28:52
    Apriori算法应用.pdf 学习资料 复习资料 教学资源
  • Apyori是使用Python 2.7和3.3-3.5的Apriori算法的简单实现,以API和命令行界面的形式提供。 模块功能 仅由一个文件组成,不依赖其他任何库,这使您可以方便地使用它。 能够用作API。 应用特色 支持JSON输出格式。...
  • Apriori 算法实验报告 学 号 姓 名 专 业 计算机应用技术 教 师 计算机学院 目 录 1 Apriori 实验 1.1 实验背景 现 , 数据挖掘作为从数据中获取信息的有效方法, 越来越受到人们的重视关联 规则挖掘首先是用来发现...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 7,133
精华内容 2,853
关键字:

apriori算法应用