剪枝

Apriori 的剪枝步骤合并进连接操作的算法，蛮巧妙的做法。用了一个叫TQ的临时项集，把原来要反复遍历的部分提前掉，减少了扫描次数，效率还挺可观的。对比传统Apriori那种从头跑到尾的方式，确实更省事。 频繁项集生成这块，Lk-1 和 L1 的体量差距大，所以能从Lk-1缩成L1的规模，是实在的优化。你要是平时也在做关联规则，尤其是用老版本Apriori头疼的，不妨看看这个思路。 代码实现上其实也不复杂，TQ这个中间变量管理好了就行。你可以类比缓存的思路来理解：先把的组合放进去，后续就不用每次都重复比对了。 想要上手可以参考下面这些资料，有 PDF 的也有Java代码示例，挺方便的：Jav

整个数据挖掘过程分为连接和剪枝两个关键步骤。连接步骤生成候选项集，通过将频繁项集与自身连接形成候选 k-项集的集合 Ck。剪枝步骤则是确定频繁项集，筛选出支持度满足设定阈值的项集。

规则2和规则4展现出100%的精度，表明它们在训练数据上具有极高的准确性。然而，在决策树算法中，追求过高的训练精度可能导致过拟合现象，即模型对训练数据过度适应，而对未知数据的预测能力下降。为了解决这个问题，后剪枝法是一种有效的策略。 以规则修剪为例，我们可以分析不同剪枝策略对模型性能的影响。下表列出了不同剪枝方案的精度变化： | 剪枝方案 | 分类正确的数目 | 分类错误的数目 | 精度 ||---|---|---|---|| 去掉A | 5 | 3 | 5/8 || 去掉B | 3 | 4 | 3/7 || 去掉C | 3 | 2 | 3/5 || 去掉AB | 4 | 0