数据挖掘算法

1. 关联分析Apriori算法
2. 数据分类决策树算法
3. 数据聚类K-means算法

---

关联分析Apriori算法

1. 数据集

以超市交易为数据集，所有商品的项集为

I = {bread, beer, cake, cream, milk, tea}

某条交易如

Ti = {bread, beer, milk}

简化为

Ti = {a, b, d}

data.txt数据集样本如下

a, d, e,f
a, d, e
c, e
e, f
...

2. 算法实现

使用经典的Apriori算法，依次扫描交易记录集，计算出 k-候选集Ck 然后去除支持度sup小的项集获得 k-频繁集Lk， 只计算到 3-频繁集 ，最后计算管理规则可信度即可。

第k个候选集只会从k-1频繁集中的各项目组合连接，然后扫描记录集，以获取Ck中各项集的支持度。

3.输出

---

数据分类决策树算法

1. 数据集

使用身高体重指数分为胖瘦两个分类，数据自己生成见 *data_generation.py 比较简陋。
数据集样本如下

184 77 fat
189 81 fat
178 75 fat
...

2.算法实现

调用python实现的类库，比较简单

from sklearn import tree
from sklearn.metrics import precision_recall_curve
from sklearn.metrics import classification_report
from sklearn.model_selection import train_test_split

...

# 数据拆分，80%训练，20%测试
x_train, x_test, y_train, y_test=train_test_split(x, y, test_size = 0.2,random_state=0)

# 使用DecisionTreeClassifier建立模型并训练
clf = tree.DecisionTreeClassifier(criterion='entropy')
clf.fit(x_train, y_train)

...

打印后同时保持决策树到文件 *tree.dot，通过dot命令可以生产决策树图形（或者在线转换

# 保存决策树为dot文件，后续图形处理
with open("tree.dot", 'w') as f:
    f = tree.export_graphviz(clf, out_file=f)

3.输出

决策树

---

数据聚类K-means算法

1. 数据集

数据集采用python类库有名的iris坐标点集

from sklearn import datasets

iris = datasets.load_iris()
X, y = iris.data, iris.target

数据集样本如下

[1.5 0.2]
[3.2 0.2]
[3.1 0.2]
[4.6 0.2]
...

2. 算法实现

K-means算法需要先指定要分成k类，数据样本只有熟悉，没有类别。
大概步骤：

1. 从数据集X从随机选取k个数据样本作为聚类的初始化代表点，每一个代表点表示一个类别。
2. 对于数据集中的任一样本点，都计算它与这k个初始化代表点的距离(d可用欧氏距离)，然后划分到距离最近的分类中去。完成一次聚类
3. 划分好数据后，计算每个聚类的均值，并将之作为该聚类的新代表点，因此得到k个新代表点。
4. 和第二步一样，再继续计算每个点到代表点的距离，划分到距离最小的类
5. 重复3和4，直到各个聚类不再发生变化（样本点划分固定了），即误差平方和准则函数的值达到最优。

3.输出