基于关联规则算法的医疗数据挖掘，胡瑞娟，，本文通过研究基于两阶段频集思想的Apriori算法，针对Apriori算法的性能瓶颈提出了改进的Apriori算法，利用改进的Apriori算法对乳腺疾病数��

关联分析是一种发现隐藏在大型数据集中的有趣关系的方法。 给定一组交易，它会找到规则，根据交易中其他项目的出现来预测一个项目的出现。 规则的形式为 A -> B（例如，{洋葱，土豆} - > {汉堡}）。 支持度和置信度的概念用于确定发现的规则的强度。 支持是同时包含 A 和 B 的事务的比例： 支持（A，B）= P（A，B） 置信度是交易的比例，其中 B 中的项目出现在包含 A 的交易中： 置信度(A,B) = P(B|A) 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规则。

含代码，处理过数据文件，结果文件整理，以及详细报告近一万字。 这是我的期末大报告，完全是自己写的，可以按需下载。其中关于实现的过程描述方法详实，步骤详细，形式多样。数据来自Kaggle。 含有1. 绪论，2. 相关理论与技术，3. FP-growth算法关联规则分析算法，4. 结论5. 课程体会。 这次我的选题便是从关联规则视角出发，以使公司能够最大化下一次营销活动的利润为立足点，建立了基于FP-Growth的营销策略关联规则分析算法，并从宏观角度提出将营销活动与客户的个人特征与选择相结合的最大化下一次营销活动的利润营销策略。

机器学习中关联规则挖掘算法，其中最有效和有影响的算法为Apriori， DHP 和PARTITION， FPGrowth。

此数据可以用于进行关联规则算法分析，需要的自取，请勿商用

使用两种算法来进行数据挖掘关联规则的分析，第一个是使用python自带的库函数，根据顾客实际购买行为数据（值为1表示购买了该种商品；值为0表示未购买该种商品），分析顾客在网络购物中购买图书、运动鞋、耳机、DVD和果汁五种商品时，是否存在购买行为上的关联，第二个是使用自定义算法来判断关联性并给出频繁项集。

物流人工智能_机器学习

课程大作业做的讲解关联规则的ppt，逐过程讲解~欢迎下载

资源包含文件：课程报告word+源码及数据库sql文件 详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/125047261

数据表+源码+报告 大三数据挖掘实验