Apriori算法虽然好用，但是当数据量十分庞大的时候，效率是相当低下的，由于我的计算任务十分紧张，所以想有什么方法可以优化一下效率问题么？我也简单思考了一下，大体想出如下方法。 1、在进行Lk∞Lk联结运算的时候，这个嵌套两层循环的优化是一个十分重要的方面，频繁项集咱们按顺序排序之后，就可以这么来写： for i=1:k-1 for j=(i+1):k %省略代码 end end 这样一来，每次循环的速度会变得越来越快。 2、就是判断支持度的问题，按算法的顺序来说，应该是先进行计算候选集C，然后在计算候选集C的每个规则支持...

这两天的实验用到Apriori算法，记不清是怎么计算候选集的了，搜索资料想起来是通过“联结”来计算的，例如{2,3}{3,4} 右左都有3，所以做连接形成{2,3,4}。 但是如果{2,3,4}支持度大于阈值就行了么？如果不能推出{2,4}怎么办？要把{2,3,4}计算子集再看么？这样岂不是太麻烦，还是“联结”操作已经解决了这个问题？ 其实在程序中还是要求子集看看是否子集是频繁项集里面的。 关联规则的目的在于在一个数据集中找出项之间的关系，也称之为购物蓝分析 (market basket analysis)。例如，购买鞋的顾客，有10%的可能也会买袜...