毫升 | ECLAT 算法

先决条件：先验算法

ECLAT 算法代表Equivalence Class Clustering 和自下而上的 Lattice Traversal 。它是关联规则挖掘的一种流行方法。它是 Apriori 算法的更高效和可扩展的版本。 Apriori 算法在水平方向上工作，模仿图的广度优先搜索，而 ECLAT 算法在垂直方向上工作，就像图的深度优先搜索一样。 ECLAT 算法的这种垂直方法使其成为比 Apriori 算法更快的算法。

算法如何工作？ ：
其基本思想是使用 Transaction Id Sets(tidsets) 交集来计算候选者的支持值，避免生成前缀树中不存在的子集。在函数的第一次调用中，所有单个项目都与它们的 tidset 一起使用。然后递归调用该函数，并且在每次递归调用中，验证每个 item-tidset 对并与其他 item-tidset 对组合。这个过程一直持续到没有候选项目-tidset 对可以组合。

现在让我们通过一个示例来理解上述内容：-

考虑以下交易记录：-

上面给出的数据是一个布尔矩阵，其中对于每个单元格 (i, j)，该值表示第 j 个项目是否包含在第 i 个事务中。 1 表示真，0 表示假。

我们现在第一次调用该函数，并以表格方式排列每个项目及其 tidset：-

k = 1，最小支持度 = 2

Item	Tidset
Bread	{T1, T4, T5, T7, T8, T9}
Butter	{T1, T2, T3, T4, T6, T8, T9}
Milk	{T3, T5, T6, T7, T8, T9}
Coke	{T2, T4}
Jam	{T1, T8}

我们现在递归调用该函数，直到没有更多的 item-tidset 对可以组合：-

k = 2

Item	Tidset
{Bread, Butter}	{T1, T4, T8, T9}
{Bread, Milk}	{T5, T7, T8, T9}
{Bread, Coke}	{T4}
{Bread, Jam}	{T1, T8}
{Butter, Milk}	{T3, T6, T8, T9}
{Butter, Coke}	{T2, T4}
{Butter, Jam}	{T1, T8}
{Milk, Jam}	{T8}

k = 3

Item	Tidset
{Bread, Butter, Milk}	{T8, T9}
{Bread, Butter, Jam}	{T1, T8}

k = 4

Item	Tidset
{Bread, Butter, Milk, Jam}	{T8}

我们在 k = 4 处停止，因为没有更多的 item-tidset 对可以组合。

由于最小支持 = 2，我们从给定的数据集中得出以下规则：-

Items Bought	Recommended Products
Bread	Butter
Bread	Milk
Bread	Jam
Butter	Milk
Butter	Coke
Butter	Jam
Bread and Butter	Milk
Bread and Butter	Jam

优于 Apriori 算法的优点：-

1. 内存要求：由于 ECLAT 算法使用深度优先搜索方法，它使用的内存比 Apriori 算法少。
2. 速度： ECLAT 算法通常比 Apriori 算法快。
3. 计算次数： ECLAT 算法不涉及重复扫描数据以计算单个支持值。