Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

Algorytm DIC Dynamic Itemset Countin

Podobne prezentacje


Prezentacja na temat: "Algorytm DIC Dynamic Itemset Countin"— Zapis prezentacji:

1 Algorytm DIC Dynamic Itemset Countin
Jarosław Janiszewski 83700 Piotr Garbacik 84796 Agata Firlejczyk 84792 Krzysztof Duszczyk 84787

2 Objaśnienie Algorytmu
Algorytm Dynamic Itemset Counting jest modyfikacją algorytmu apriori. Podstawową różnicą w funkcjonowaniu algorytmów DIC oraz apriori jest działanie etapu pierwszego(czyli zliczania zbiorów częstych). Algorytm ten rozpoczyna zliczanie zbiorów częstych (n+1) elementowych przed zakończenie zliczania zbiorów n-elementowych.

3 Etapy algorytmu Algorytm DIC, tak samo jak apriori, przebiega dwu etapowo Etap wyszukiwania zbiorów częstych Etap generowania reguł asocjacyjnych

4 Etap wyszukiwania zbiorów częstych
Etap ten stanowi o odmienności w stosunku do algorytmu apriori. W algorytmie DIC wprowadza się dodatkowy parametr M, który oznacza liczbę transakcji, po których rozpoczyna się zliczanie zbiorów częstych o większej liczbie elementów. Każdy ze zliczanych zbiorów ma przyporządkowany stan, w zależności od tego, czy jest zbiorem częstym czy nie oraz czy jego zliczanie zostało już zakończone.

5 Etap wyszukiwania zbiorów częstych
Poszczególne stany to: - Dashed Box(0) - zbiór, dla którego liczenie nie zostało zakończone, oraz, jego wsparcie przekracza minimalne. - Dashed Circle(1) – zbiór, dla którego liczenie nie zostało zakończone, oraz, jego wsparcie nie przekracza minimalnego. - Solid Box(2) - zbiór, dla którego liczenie zostało zakończone, oraz, jego wsparcie przekracza minimalne. - Solid Circle(3) – zbiór, dla którego liczenie zostało zakończone, oraz, jego wsparcie nie przekracza minimalnego.

6 Etap wyszukiwania zbiorów częstych
W momencie rozpoczęcia zliczania danego zbioru, jest on zbiorem nieczęstym(1). Po każdym M-transakcyjnym etapie może być zbiorem częstym, o ile jego wsparcie przekroczyło minimalny próg wsparcia, następuje zmiana stanu z 1 na 0. Po zliczeniu danego zbioru przez wszystkie transakcje, jego stan jest zmieniany odpowiednio ze stanu 0 na 2 i 1 na 3, a jego zliczanie zostaje zakończone. Po każdym M-transakcyjnym etapie weryfikuje się, czy którykolwiek ze zbiorów zamienionych na zbiory częste ma nadzbiór, którego wszystkie bezpośrednie podzbiory są zbiorami częstymi. W takim przypadku nadzbiór ten dodaje się do drzewa zbiorów zamienia się na zbiór nieczęsty i rozpoczyna jego zliczanie. Etap kończy się, gdy zakończono zliczanie wszystkich zbiorów

7 Etap generowania reguł asocjacyjnych
Etap ten jest taki sam jak etap algorytmu apriori. Dla każdego zbioru częstego L o mocy większej od 1 sprawdza się wszystkie jego podzbiory sL a następnie w oparciu o dane o wsparciu zbiorów L oraz sL oblicza się ufność reguły sL ⇒ (L − sL). Jeśli ufność ta przekracza podany próg, regułę dodaje się do znalezionych reguł

8 Algorytm w krokach 1. Zbiory jednoelementowe są zbiorami nieczęstymi
2. Czytaj M transakcji i zwiększaj o +1 liczniki zbiorów, które zawierają się w danej transakcji, jeżeli wszystkie zbiory znajdują się w stanach 2 lub 3 przejdź do 5 3. Gdy nieczęsty zbiór przekroczył próg minimalnego wsparcia, zmień jego zbiór na częsty 4. Sprawdzanie, czy któryś ze zbiorów zamienionych na częste posiada nadzbiór, którego wszystkie bezpośrednie podzbiory są częste. W takim przypadku nadzbiór ten dodaje się do listy zbiorów zamienia się na zbiór nieczęsty i rozpoczyna jego zliczanie. Wróć do kroku 2 5. Dla zbiorów wstanie 2 wygeneruj reguły asocjacyjne.

9 Implementacja Do implementacji wykorzystano język c#, .Net framework 3.5. Wykorzystano kompilator visual studio 2010. Zbiory przechowywane były jako lista obiektów zawierających takie pola jak: zbiór elementów([]int), stan(int), liczebność(int).

10 Wyniki Zależność pomiędzy minimalnym wsparciem, a czasem (s). Zbiór Mashroom.

11 Wyniki Zależność pomiędzy minimalny wsparciem, a pamięcią (bajt). Zbiór Mushroom

12 Wyniki Zależność pomiędzy minimalnym wsparciem, a czasem (s). Zbiór Kosarak.

13 Wyniki Zależność pomiędzy minimalny wsparciem, a pamięcią (bajt). Zbiór Kosarak.

14 Wyniki Zależność pomiędzy minimalnym wsparciem, a czasem (s). Zbiór Accidents.

15 Wyniki Zależność pomiędzy minimalny wsparciem, a pamięcią (bajt). Zbiór Accidents.

16 Literatura Dynamic Itemset Counting and Implication Rules for Market Basket Data, S, Brin, R. Motwani, J. D. Ullman, S. Tsu


Pobierz ppt "Algorytm DIC Dynamic Itemset Countin"

Podobne prezentacje


Reklamy Google