關聯規則分析（Apriori）

Apriori算法簡介：Apriori 算法是一種挖掘關聯規則的頻繁項集算法，其核心思想是通過候選集生成和情節的向下封閉檢測兩個階段來挖掘頻繁項集。 Apriori（先驗的，推測的）算法應用廣泛，可用于消費市場價格分析，猜測顧客的消費習慣；網絡安全領域中的入侵檢測技術；也可用在移動通信領域中，指導運營商的業務運營和輔助業務提供商的決策制定。

Apriori 算法的挖掘思想：Apriori 算法采用的是逐層搜素的策略，同時依據其性質壓縮搜索空間。而它的性質是說，如果一個項集具有頻繁性，則它的所有非空子集也一定是頻繁項集。它的基本思想在于，首先，掃描一次事物集合，找出頻繁 1 －項集集合 L1，然后基于 L1，產生所有可能的頻繁 2 －項集即候選集 C2，接著基于 L1 對 C2 進行必要的剪枝操作。對 C2 的優化完成后，再掃描一次事務集合，找出下一個頻繁候選集，如此迭代，直至再也找不出頻繁集時退出。

在實際的應用中，關聯規則主要應用于商品購買的關聯行為，比如針對一個賣場，可以通過對大數據的關聯分析發現面包與牛奶之間的購買行為，從而可以針對性進行促銷或是適當調整商場的物品擺放。所以關聯分析是大數據分析特別有效的模型，針對性比較強。

聚類分析模型聚類分析

模型簡介：是指將物理的或抽象的對象的集合分成相似的對象集的過程，最終的結果是同一個簇中的對象具有較高的相似性，而不同簇之間的對象則具有較大的差異性。聚類分析的三要素為相似度測度，聚類準則和聚類算法。相似度測度主要用于衡量同簇對象的類似性和不同簇對象的差異性，而聚類準則則是用于評價聚類結果的好壞，聚類算法用于找出使準則函數取極值的最好聚類結果。目前大數據聚類分析中比較常用的算法主要有劃分式聚類算法、基于密度的聚類算法、層次聚類算法、以及基于網格的聚類算法。其中比較比較典型的是劃分式聚類算法。

劃分式聚類算法的挖掘思想：劃分式聚類算法的其代表是 K 均值算法、K 中心點算法以及它們的一些變種。K 均值聚類算法假定所有的數據對象課分為 K 個簇，每個簇的中心用均值表示，對象間的相似性用距離度量，聚類的準則使用誤差平方和準則。它的核心在于首先選定 K 個初始聚類中心，根據最小距離原則將每個數據對象分類到每一簇中。聚類分析模型是一個比較簡單的大數據分析模型，但是它可以對大型數據集進行高效地劃分，它也是數據挖掘的重要模型之一，在實際工作中已經取得廣泛的應用，是眾多企業處理大數據不二的選擇。

責任編輯：ct