Apriori 알고리즘은 상호 관계 규칙을 마이닝하는 빈번 항목 집합 알고리즘으로 부울 상호 관계 규칙의 빈번 항목 집합을 마이닝하는 가장 영향력 있는 알고리즘입니다. < P > 계층 별 검색의 반복 방법을 사용하여 데이터베이스의 항목 집합 관계를 찾아 연결 (클래스 매트릭스 연산) 과 가지 치기 (불필요한 중간 결과 제거) 로 구성된 규칙을 형성합니다. 이 알고리즘에서 항목 세트의 개념은 항목 모음입니다. K 항목이 포함된 컬렉션은 k 항목 세트입니다. 항목 세트가 나타나는 빈도는 항목 세트가 포함된 트랜잭션 수 (항목 세트의 빈도라고 함) 입니다. 세트가 최소 지원 정도를 충족하는 경우 빈번 항목 세트라고 합니다. Apriori 알고리즘은 첫 번째 연관 규칙 마이닝 알고리즘이자 가장 고전적인 알고리즘입니다. < P > 상호 관계 규칙 마이닝은 데이터 마이닝에서 가장 활발한 연구 방법 중 하나입니다. Agrawal 등이 제기한 1993 년 처음 제기된 동기는 장바구니 분석 문제를 겨냥한 것으로, 거래 데이터베이스에서 서로 다른 상품 간의 연락 규칙을 파악하기 위한 것이다. 이러한 규칙은 고객의 구매 행동 패턴을 묘사하며, 상가가 과학적으로 구매, 재고, 선반 설계 등을 계획하도록 지도하는 데 사용될 수 있다. 이후 많은 연구원들이 연관 규칙의 발굴 문제에 대해 대량의 연구를 진행했다.
apriori 상호 관계 규칙 알고리즘의 응용 프로그램
Apriori 알고리즘은 상업적으로 널리 사용되며 소비자 시장 가격 분석에 적용되어 다양한 제품 간의 가격 관계와 그 영향을 신속하게 파악할 수 있습니다.
데이터 마이닝을 통해 마케팅 담당자는 대상 고객을 대상으로 개인 주식 시장, 최신 정보, 특별 마케팅 활동 또는 기타 특수 정보 수단을 사용하여 광고 예산을 크게 줄이고 수익을 늘릴 수 있습니다. 백화점, 슈퍼마켓, 오래된 글씨체 크기의 소매점들도 최근 몇 년간 고객의 소비 습관을 추측하기 위해 데이터 마이닝을 하고 있다.
Apriori 알고리즘은 네트워크 침입 탐지 기술과 같은 네트워크 보안 분야에 적용됩니다. 초기의 중대형 컴퓨터 시스템은 모두 감사 정보를 수집하여 추적 파일을 작성하는데, 이러한 감사 추적은 주로 성능 테스트나 과금을 목적으로 하기 때문에 공격 탐지에 유용한 정보가 적다. < P > 모드 학습 및 교육을 통해 네트워크 사용자의 비정상적인 동작 패턴을 찾을 수 있습니다. Apriori 알고리즘은 Apriori 알고리즘의 마이닝 결과 규칙을 약화시킵니다. 네트워크 침입 탐지 시스템은 사용자의 동작 패턴을 빠르게 발견하고 공격자를 신속하게 잠글 수 있으며 상호 관계 규칙에 기반한 침입 탐지 시스템의 탐지성을 높입니다.
위 내용 참조: 바이두 백과 -APRIORI