[{"createTime":1735734952000,"id":1,"img":"hwy_ms_500_252.jpeg","link":"https://activity.huaweicloud.com/cps.html?fromacct=261f35b6-af54-4511-a2ca-910fa15905d1&utm_source=V1g3MDY4NTY=&utm_medium=cps&utm_campaign=201905","name":"华为云秒杀","status":9,"txt":"华为云38元秒杀","type":1,"updateTime":1735747411000,"userId":3},{"createTime":1736173885000,"id":2,"img":"txy_480_300.png","link":"https://cloud.tencent.com/act/cps/redirect?redirect=1077&cps_key=edb15096bfff75effaaa8c8bb66138bd&from=console","name":"腾讯云秒杀","status":9,"txt":"腾讯云限量秒杀","type":1,"updateTime":1736173885000,"userId":3},{"createTime":1736177492000,"id":3,"img":"aly_251_140.png","link":"https://www.aliyun.com/minisite/goods?userCode=pwp8kmv3","memo":"","name":"阿里云","status":9,"txt":"阿里云2折起","type":1,"updateTime":1736177492000,"userId":3},{"createTime":1735660800000,"id":4,"img":"vultr_560_300.png","link":"https://www.vultr.com/?ref=9603742-8H","name":"Vultr","status":9,"txt":"Vultr送$100","type":1,"updateTime":1735660800000,"userId":3},{"createTime":1735660800000,"id":5,"img":"jdy_663_320.jpg","link":"https://3.cn/2ay1-e5t","name":"京东云","status":9,"txt":"京东云特惠专区","type":1,"updateTime":1735660800000,"userId":3},{"createTime":1735660800000,"id":6,"img":"new_ads.png","link":"https://www.iodraw.com/ads","name":"发布广告","status":9,"txt":"发布广告","type":1,"updateTime":1735660800000,"userId":3},{"createTime":1735660800000,"id":7,"img":"yun_910_50.png","link":"https://activity.huaweicloud.com/discount_area_v5/index.html?fromacct=261f35b6-af54-4511-a2ca-910fa15905d1&utm_source=aXhpYW95YW5nOA===&utm_medium=cps&utm_campaign=201905","name":"底部","status":9,"txt":"高性能云服务器2折起","type":2,"updateTime":1735660800000,"userId":3}]
基本概念和方法
关联规则和算法应用
基本概念和术语
关联规则算法应用：
一个关联规则分析的例子—————超市购物篮分析
不要看
后面数字看不懂
项集：是指项的集合。包含k个项的项集称为k-项集
支持度：若A是一个项集，则A的支持度表示在所有事务T中同时出现A项集的概率
置信度：A出现的次数除以A和B同时出现的次数。
频繁项集：支持度满足最小支持度阈值的项集称为频繁项集。通常k-项集如果满足最小支持度阈值，称为频繁集，记作Lk。
关联规则（Association Rule）:可以表示为一个蕴含式。
如：X=>Y,X和Y分别称为关联规则的前件和后件。
关联规则是否可用，需要考察他的支持度和置信度（可信度）两个指标。
可以通过以下实例来理解：
置信度等于两者出现的支持度和前者出现的支持度之比。
经典的Apriori关联规则算法
Apriori关联规则算法基本思想
Apriori的基本思想：频繁项集的任何非空子集也一定是频繁的。
核心思想：扫描数据获得所有的频繁1项集L1，利用L1查找频繁2项集，如此循环直到不再有新的频繁集被找到为止。而获取不同长度的频繁项集之前，都需要先查找到
候选集（支持度满足最小支持度阈值的项集）。
如何生成候选集呢？
先自连接再进行修剪。
这个例子非常重要，比较容易理解。
支持度（sup）就是数出在数据集D中itemset出现的次数
{1,2,3}.{1,2,3,5},{1,3,5},{2,3,5}再进行修剪，他们的子集都必须在L2里面。
去除{1，2，3}，{1，2，3，5}，{1，3，5}
得到C3{2,3,5}
Apriori算法的缺点：
多次扫描数据库，产生巨大数量的候选集，繁琐的支持度计算。
下面我们来讲解FP-Growth算法
FP-Growth算法不产生候选项集，而是采用分而治之的策略。
（1）构建FP树：压缩数据库，并将频繁项放入频繁模式树（FP树），他仍然保留项集的关联信息。
（2）从FP树中挖掘频繁项集：
1.从FP中获得条件模式基
2.利用条件模式基，构建一个条件FP树
3.根据条件FP树，进行排列组合，挖掘出频繁项。
以下示例较为简单：重点理解
设定最小支持度为2，得到频繁集，并按照大小重新排列。
第二次扫描排序后的数据库。并且构建FP树。
开始从FP树中进行挖掘——频繁项集
那什么是条件模式基呢？
为什么每个条件模式基的计数为1呢？
由于i5的计数为1，最终到达i5的重复次数也只能为1，所以条件模式基的计数是根据路径中的结点的最小计数来决定的。
