Aprioriベースのマイニングの効率をさらに向上させるにはどうすればよいですか？

次のように、元のアルゴリズムの効率を開発することを目標とする、予測されたAprioriアルゴリズムのいくつかのバリエーションがあります-

ハッシュベースの手法（アイテムセットを対応するバケットにハッシュする） −ハッシュベースの手法を使用して、候補のkアイテムセットC _kのサイズを小さくすることができます。 、k> 1の場合。たとえば、データベース内の各トランザクションをスキャンして、頻繁な1アイテムセットを作成する場合、L ₁ 、候補1-C ₁のアイテムセットから 、トランザクションごとに2つのアイテムセットを作成し、それらをハッシュテーブル構造のいくつかのバケットにハッシュ（つまり、マップ）して、同等のバケット数を増やすことができます。

トランザクションの削減 −いくつかの頻繁なk-itemsetを含まないトランザクションには、いくつかの頻繁な（k + 1）-itemsetを含めることはできません。したがって、このようなトランザクションは、j> kであるj-itemsetsのデータベースの後続のスキャンでは必要ないため、マークを付けるか、今後の検討から削除することができます。

パーティション化 −頻繁なアイテムセットをマイニングするために2回のデータベーススキャンを必要とするパーティショニング手法を使用できます。これには、フェーズIを含む2つのフェーズが含まれ、アルゴリズムはDのトランザクションをn個の重複しないパーティションに分割します。 Dのトランザクションの最小サポートしきい値がmin_supの場合、パーティションの最小サポート数はmin_sup×そのパーティションのトランザクション数です。

パーティションごとに、パーティション内の頻繁なアイテムセットがすべて検出されます。これらは、ローカルの頻繁なアイテムセットとして定義されます。このプロセスでは、アイテムセットごとに、アイテムセット内のアイテムを含むトランザクションのTIDを記録する特定のデータ構造を採用しています。これにより、データベースの1回のスキャンで、k =1、2...のすべてのローカル頻度kアイテムセットを見つけることができます。

ローカルの頻繁なアイテムセットは、データベース全体に頻繁に関連付けることができます。D。頻繁に関連付けられる可能性のあるアイテムセットDは、頻繁なアイテムセットが部分的にパーティションの1つであるために表示される必要があります。したがって、すべてのローカルの頻繁なアイテムセットはわずかにDの候補アイテムセットです。すべてのパーティションからの頻繁なアイテムセットのセットは、Dの世界的な候補アイテムセットを形成します。フェーズIIでは、各候補の実際のサポートが評価されるDの2番目のスキャンが編成されます。グローバルな頻繁なアイテムセットを決定します。

サンプリング −サンプリング手法の基本的な考え方は、与えられたデータDのランダムサンプルSを選択し、DではなくSで頻繁なアイテムセットを検索することです。この方法では、ある程度の精度と効率のトレードオフが可能です。 Sのサンプルサイズは、S内の頻繁なアイテムセットの検索をメインメモリで完了できるようなものであるため、S内のトランザクションのスキャンは全体で1回だけ必要です。