数据挖掘 Apriori算法 python版

数据挖掘Apriori和FP-Tree算法工程+测试用例 VC++6.0工程，图形化界面

Apriori及其改进 在Python中实现了应用的Apriori算法及其改进（PCY，多哈希） 问题 问题1：PCY算法 使用单个哈希实现PCY算法，并打印所有频繁项集。 您可以使用自己选择的哈希函数。 输入参数： Input.txt：这是包含所有事务的输入文件。 每行对应一个事务。 每个交易都有以逗号分隔的项目。 使用input.txt测试此算法。 支持：整数，用于定义有资格作为频繁项集的最小数量。 存储桶大小：这是哈希表的大小。 输出： 输出需要包含按字典顺序排序的所有大小的频繁项目集。 它还应包含哈希桶及其候选者计数。 如果结果仅包含size1的项目集，则将其打印并返回。 如果其中包含大小> = 2的项目集，则也将打印哈希的存储区计数。 例如，考虑下面的输出。 ['a'，'b'，'d'] {0：0，1：2，3：5} [['a'，'b']] 这里['a'，'b'，'d

购买彩票已经成为人们生活当中一 种娱乐性投资。因此, 如何提高中奖率, 必将成为彩民朋友一个很关心的问题。 许多彩民朋友在购买彩票的时候往往会 对以往的出现的数据组合进行分析, 看 看是否有什么规律, 希望将此结果作为 对未来的数据进行预测。在众多的方法 中有一种方法很普遍: 认为在以往众多 期数中出现次数较多的数据或者数据组 合在往后的期数出现的机会也应该很 大。也就是在购买彩票前看看以前哪些 号码出现的次数多, 越多就表示它往后 出现的机会也越多。利用这种方法来购 买下期的号码, 表面上看来很合理。下面 我们针对这个问题使用关联规则挖掘中 经典算法Apriori 算法来对其进行一些 实例研究, 并且运用概率论的知识对所 得结论进行解释。

大数据十大经典算法Apriori.ppt

使用Apriori算法进行频繁项集的挖掘以及关联规则的挖掘 挖掘的数据集是fulldata中的前1000条数据top1000data。因为fulldata中数据过多（超过80000），使用Apriori算法将会耗费大量的时间。

使用Apriori和FP-growth进行关联规则挖掘

关联规则中Apriori算法的C_实现研究.pdf

关联规则中的apriori算法的研究与改进.pdf

人工智能-机器学习-关联规则分析-Apriori算法实例-挖掘电影导演的关联规则