Apriori算法简介和聚类分析模型介绍

　　Apriori 算法的挖掘思想：Apriori 算法采用的是逐层搜素的策略，同时依据其性质压缩搜索空间。而它的性质是说，如果一个项集具有频繁性，则它的所有非空子集也一定是频繁项集。它的基本思想在于，首先，扫描一次事物集合，找出频繁 1 －项集集合 L1，然后基于 L1，产生所有可能的频繁 2 －项集即候选集 C2，接着基于 L1 对 C2 进行必要的剪枝操作。对 C2 的优化完成后，再扫描一次事务集合，找出下一个频繁候选集，如此迭代，直至再也找不出频繁集时退出。

　　在实际的应用中，关联规则主要应用于商品购买的关联行为，比如针对一个卖场，可以通过对大数据的关联分析发现面包与牛奶之间的购买行为，从而可以针对性进行促销或是适当调整商场的物品摆放。所以关联分析是大数据分析特别有效的模型，针对性比较强。

　　聚类分析模型聚类分析

　　模型简介：是指将物理的或抽象的对象的集合分成相似的对象集的过程，最终的结果是同一个簇中的对象具有较高的相似性，而不同簇之间的对象则具有较大的差异性。聚类分析的三要素为相似度测度，聚类准则和聚类算法。相似度测度主要用于衡量同簇对象的类似性和不同簇对象的差异性，而聚类准则则是用于评价聚类结果的好坏，聚类算法用于找出使准则函数取极值的最好聚类结果。目前大数据聚类分析中比较常用的算法主要有划分式聚类算法、基于密度的聚类算法、层次聚类算法、以及基于网格的聚类算法。其中比较比较典型的是划分式聚类算法。

　　划分式聚类算法的挖掘思想：划分式聚类算法的其代表是 K 均值算法、K 中心点算法以及它们的一些变种。K 均值聚类算法假定所有的数据对象课分为 K 个簇，每个簇的中心用均值表示，对象间的相似性用距离度量，聚类的准则使用误差平方和准则。它的核心在于首先选定 K 个初始聚类中心，根据最小距离原则将每个数据对象分类到每一簇中。聚类分析模型是一个比较简单的大数据分析模型，但是它可以对大型数据集进行高效地划分，它也是数据挖掘的重要模型之一，在实际工作中已经取得广泛的应用，是众多企业处理大数据不二的选择。