机器学习算法总结ppt候选集与频繁项集的生成

Apriori算法是一种用于数据挖掘的经典算法，其核心目标是发现数据集中频繁出现的项集以及学习部分关联规则。 算法特点： 迭代式方法： Apriori算法采用逐层迭代的方式，从单个频繁项开始，逐步生成更大的频繁项集。 支持度阈值： 通过设定最小支持度阈值，筛选出满足条件的频繁项集，有效控制结果数量。 关联规则生成： 基于频繁项集，Apriori算法可以推导出“一对多”或“多对一”形式的部分关联规则。 局限性： 无法处理多对多关联规则： Apriori算法目前版本仅支持生成一对多或多对一形式的关联规则，对于更复杂的多对多关联规则尚待改进。

KNN算法是机器学习领域中的一种经典算法，它通过测量不同特征值之间的距离进行分类。该算法简单有效，适用于各种数据集类型，特别是在数据样本较少的情况下表现突出。通过选择适当的邻居数量（K值），KNN算法能够提供高准确度的分类和预测。

本算法基于有向项集图存储事务数据库中频繁项集信息，采用三叉链表结构组织有向项集图，并在此基础上提出最大频繁项集挖掘算法。该算法一次扫描事务数据库，有效减少I/O开销，适用于稀疏和稠密数据库的最大频繁项集挖掘。

线性回归是机器学习中最基础也是最常见的算法之一，用于分析房屋销售数据等各种应用场景。

FUMFS算法优化了最大频繁项集的维护，利用已有BitMatrix和最大频繁项集，有效地更新挖掘结果。

逻辑回归是一种常见的机器学习算法，通常用于处理二分类问题。它通过拟合数据集中的观测数据来预测分类变量的可能性。逻辑回归广泛应用于医学、金融和市场预测等领域。

传统的挖掘频繁项集的并行算法存在节点间负载不均衡、同步开销过大、通信量大等问题。针对这些挑战，提出了一种名为多次传送重新分配数据的并行算法（MRPD）。在MRPD算法中，第l步将数据库重新划分成多个组，并根据各节点的需求多次传送这些组。各节点在异步地计算完整组后，可以得到所有频繁项集。理论分析和实验结果均表明，MRPD算法在优化并行频繁项集挖掘中具有显著效果。

L1产生候选集C2： 项集 ｛I1，I2｝｛I1，I3｝｛I1，I4｝｛I1，I5｝｛I2，I3｝｛I2，I4｝｛I2，I5｝｛I3，I4｝｛I3，I5｝｛I4，I5｝

MFWSR:数据流上的频繁闭项集挖掘算法，陶克，王意洁，数据流上频繁项集挖掘是数据挖掘有效手段之一，是相联规则挖掘的重要基础。频繁闭项集挖掘的结果更简洁而又能保留所有频繁项集的结果。