Apriori算法簡介和聚類分析模型介紹

　　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。