From 1b066141d824dad38ae5d720957eaf01f5156e13 Mon Sep 17 00:00:00 2001 From: jiangzhonglian Date: Thu, 6 Apr 2017 16:15:58 +0800 Subject: [PATCH] =?UTF-8?q?=E6=9B=B4=E6=96=B011.Apriori=E7=9A=84=E5=9B=BE?= =?UTF-8?q?=E7=89=87=E4=BD=8D=E7=BD=AE?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- docs/11.使用Apriori算法进行关联分析.md | 6 +++--- docs/13.利用PCA来简化数据.md | 8 ++++++-- .../11.Apriori/交易清单.png | Bin .../11.Apriori/所有可能的项集组合.png | Bin .../11.Apriori/非频繁项集.png | Bin 5 files changed, 9 insertions(+), 5 deletions(-) rename docs/11.交易清单.png => images/11.Apriori/交易清单.png (100%) rename docs/11.所有可能的项集组合.png => images/11.Apriori/所有可能的项集组合.png (100%) rename docs/11.非频繁项集.png => images/11.Apriori/非频繁项集.png (100%) diff --git a/docs/11.使用Apriori算法进行关联分析.md b/docs/11.使用Apriori算法进行关联分析.md index 2dc4a838..04503a60 100644 --- a/docs/11.使用Apriori算法进行关联分析.md +++ b/docs/11.使用Apriori算法进行关联分析.md @@ -14,7 +14,7 @@ * 2.关联规则(association rules): 暗示两种物品之间可能存在很强的关系 * 总结：首先需要找到频繁项集，才能找到关联规则。 * 如下图： - * ![交易清单](./11.交易清单.png) + * ![交易清单](/images/11.Apriori/交易清单.png) * 支持度(support) * 数据集中包含该项集的记录所占的比例 * 例如上图中：{豆奶}的支持度=4/5， {豆奶，尿布}的支持度=3/5 @@ -36,10 +36,10 @@ * 如果某个项集是频繁的，那么它的所有子集也是频繁的，反之，一个项集是非频繁的，那么它的所有超集也是非频繁的。 * 例如： 我们假设知道{2, 3}是非频繁项，那么{0, 2, 3}, {1, 2, 3}, {0, 1, 2, 3}都是非频繁项。 * 如下图： - * ![非频繁项集](./11.非频繁项集.png) + * ![非频繁项集](/images/11.Apriori/非频繁项集.png) * 分级法： 频繁项集->关联规则 * 1.首先从一个频繁项集开始，接着创建一个规则列表，其中规则右部分只包含一个元素，然后对这个规则进行测试。 * 2.接下来合并所有剩余规则来创建一个新的规则列表，其中规则右部包含两个元素。 * 如下图： - * ![所有可能的项集组合](./11.所有可能的项集组合.png) + * ![所有可能的项集组合](/images/11.Apriori/所有可能的项集组合.png) * 最后： 每次增加频繁项集的大小，Apriori算法都会重新扫描整个数据集，是否有优化空间呢？ 下一章：FP-growth算法等着你的到来 diff --git a/docs/13.利用PCA来简化数据.md b/docs/13.利用PCA来简化数据.md index dca471e2..cfa3c031 100644 --- a/docs/13.利用PCA来简化数据.md +++ b/docs/13.利用PCA来简化数据.md @@ -16,8 +16,12 @@ * 3) 去除噪音 * 4) 是的结果易懂 -> 适用范围: 在已标注与未标注的数据上都有降维技术。这里我们将主要关注未标注数据上的降维技术，将技术同样也可以应用于已标注的数据。 -> 在以下3中降维技术中， PCA的应用目前最为广泛，因此本章主要关注PCA。 +> 适用范围: + +* 在已标注与未标注的数据上都有降维技术。 +* 这里我们将主要关注未标注数据上的降维技术，将技术同样也可以应用于已标注的数据。 + +> 在以下3种降维技术中， PCA的应用目前最为广泛，因此本章主要关注PCA。 * 1) 主成分分析(Principal Component Analysis, PCA) * `通俗理解：就是找出一个最主要的特征，然后进行分析。` diff --git a/docs/11.交易清单.png b/images/11.Apriori/交易清单.png similarity index 100% rename from docs/11.交易清单.png rename to images/11.Apriori/交易清单.png diff --git a/docs/11.所有可能的项集组合.png b/images/11.Apriori/所有可能的项集组合.png similarity index 100% rename from docs/11.所有可能的项集组合.png rename to images/11.Apriori/所有可能的项集组合.png diff --git a/docs/11.非频繁项集.png b/images/11.Apriori/非频繁项集.png similarity index 100% rename from docs/11.非频繁项集.png rename to images/11.Apriori/非频繁项集.png