数据挖掘与机器学习——关联规则与协同过滤

目录

推荐算法的目的

 如何进行推荐：

关联规则

关联规则挖掘：

应用：

案例：啤酒与尿布

定义：

关联规则的度量：

支持度

置信区间

度量

关联规则挖掘

定义

步骤 

apriori算法

定律：

定律的性质（过滤选项集——用于剪枝超集）：

步骤

缺点

推荐模式评估

相邻矩阵（了解就行，不用太关注）

协同过滤算法

协同过滤（基于用户）

计算方法

案例

升级——加权推荐

协同过滤（基于物品）

案例

两者区别——基于用户与基于物品

推荐算法的基本思想

---

推荐算法的目的

 如何进行推荐：

1. 关联规则
2. 协同过滤

关联规则

关联规则挖掘：

应用：

• 互联网
• 零售
• 交通事故起因
• 生物医药

案例：啤酒与尿布

定义：

关联规则的度量：

支持度

        基于上面案例的数据

置信区间

        基于上面案例的数据

度量

关联规则挖掘

定义

步骤 

apriori算法

定律：

定律的性质（过滤选项集——用于剪枝超集）：

步骤

缺点

推荐模式评估

相邻矩阵（了解就行，不用太关注）

协同过滤算法

协同过滤（基于用户）

计算方法

案例

升级——加权推荐

协同过滤（基于物品）

案例

两者区别——基于用户与基于物品

推荐算法的基本思想