association-rule-mining 使用Apriori和FP-growth进行关联规则挖掘

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

关联规则的matlab代码在Matlab中实现的项目代码 多视角注视数据中的顺序模式挖掘和关联规则分析 眼睛注视数据记录了孩子和父母的“关注区域”的ID和保持兴趣的“持续时间”。 该项目使用先验算法找到与孩子和父母有关的频繁出现的“凝视”行为模式的关联规则。

数据挖掘技术在当今需要存储、处理、计算大量数据与信息的社会中有非常重要的作用。数据挖掘出现之前，海量的数据只是被简单的存储，不能对隐含在其中的信息进行分析、利用与创造价值，数据挖掘由此出现。数据挖掘是新兴且前沿的技术，是信息领域和数据库领域热点之一。数据挖掘技术的快速发展，出现了适合各领域需求各异的多种不同的分析方法与算法。算法是分析方法的具体实现，首先详细介绍了基于关联规则分析的Apriori算法、FP-growth 算法和Eclat算法，并通过对比这些算法在不同数据集的运行结果，分析了算法各自的优缺点及其适用领域，同时探讨了各个算法的优势互补、有机结合以弥补单独算法不足的可能性。

ECLAT关联规则挖掘 等价类转换关联规则挖掘算法的Python实现 我在无聊的时候写了这篇文章，并希望找到一个很好的算法来加快Cython的速度。 不幸的是，这个问题并不能轻易实现优化（而频繁模式挖掘的FP-tree方法要快得多）。 该算法在其擅长的各种数据集上（存储10个具有100万条记录的商品的商店）仍然非常快，但是在1000个具有1000条记录的商品的数据集上，它会显得很笨拙。 我的工作很乱。 也许我会回去整理一天。

基于MapReduce的Apriori算法并行化改进，包含改进思路与代码实现。该文档提供了详细的设计思路和方法，具有一定的借鉴意义，互相学习，互相进步！

基于Apriori算法的多维关联规则挖掘研究，从单维扩展到多维，可以给到一个思路上的启发

JAVA实现的关联规则的数据挖掘Apriori算法，采用图形化界面形式，可以实现从布尔类型数据库中找出关联规则

关联规则研究现状 最早的Apriori算法给出了关联规则的基本求解方法后，也留下了算法的不足之处，即：大数据量数据库中使用关联规则算法存在多次遍历数据库的消耗和大量关联规则产生带来的关联规则爆炸式增长的问题。 比如基于约束的关联规则求解，通过挖掘用户通常感兴趣的关联规则，来减少关联规则的挖掘量，再如划分和采样等关联规则求解方法，这些方法减少了挖掘的候选集。 通常通过一次性读取数据库或有限次大量读取数据库数据的方式来实现。如代表算法：FP - 树频集算法利用一种树结构来存储读取数据。 代表性的扩展：加权支持度关联规则、多层关联规则、多维关联规则。这里所谓的属性指的是关联规则概念或意义上的限定、区别于应用扩展。 根据具体的应用领域的需要，关联规则挖掘就领域应用做出改变，如文本关联分析、儿童意外伤害发现等等。 通过挖掘算法得到的关联规则仅仅是具有统计意义上的模式，至于这种模式的意义需要通过继续分析才能得到，经常使用聚类、检索、可视化等方法进行分析。 数据库在不断地更新，必然导致关联规则要随着这种变化进行改变，如何在已产生的关联规则的基础上进一步对数据库进行关联规则分析成为增量更新的研究点。 * *

Matlab数据关联规则挖掘的工具箱(含使用手册)