我的意思是只有像aprioriall这样的序列模式算法才能给出项目的顺序吗？这可能会减少关联规则的数量吗？
答案 0 :(得分：3)
频繁项集挖掘（FIM）算法（如Apriori）将事务数据库作为输入。交易只是一组没有任何订购的项目。目标是找到在交易中经常出现的项目集，而不考虑诸如时间的顺序排序。
顺序模式挖掘（SPM）算法（如AprioriAll，PrefixSpan，CM-SPADE和GSP）将序列数据库作为输入。序列是有序的事务列表。目标是发现经常出现在一组序列中的子序列。在这种情况下，会考虑项目之间的顺序排序。
因此，如果数据中存在顺序排序或者您关心结果中的顺序，则应使用顺序模式挖掘而不是频繁项集挖掘。如果您不关心订购，可以使用FIM算法。
此外，我注意到您还谈到了关联规则。让我澄清一下这些想法。频繁项目集可用于生成关联规则。规则X - >两组项目之间的Y意味着X中的项目与Y中的项目一起出现，具有给定的置信度和支持。但关联规则不提供有关X和Y之间是否存在顺序排序的任何信息。如果要查找具有顺序排序的规则，则应考虑使用顺序规则。顺序规则可以通过某种算法直接找到，或者可以从顺序模式中导出。
顺序规则和顺序模式之间有什么区别？序列模式通常基于它们的支持（它们在序列数据库中出现的序列数）来找到。另一方面，顺序规则通常基于其支持和信心而被发现，因此对于诸如推荐之类的应用更有用。规则X - > Y的置信度可被视为Y将遵循X的概率的估计。
如果您想尝试一些FIM，SPM和顺序规则挖掘算法，您可以访问SPMF data mining library（我是创始人）的网站，该网站为这些问题提供了80多个算法实现。一些例子，也是。
答案 1 :(得分：1)
如果您想学习时间/顺序行为，则不得丢弃这部分信息，而应将其集成到算法中。
即。如果您想学习集，请使用APRIORI。如果您想学习序列，请使用顺序方法。