一篇基于Mapreduce的频繁项集挖掘的综合性论文，很有实用性。

使用Apriori算法进行频繁项集的挖掘以及关联规则的挖掘 挖掘的数据集是fulldata中的前1000条数据top1000data。因为fulldata中数据过多（超过80000），使用Apriori算法将会耗费大量的时间。

基于频繁项集筛选策略的关联规则挖掘算法，佘名高，陈礼军，在FP增长算法(FP-growth)和划分(Partition)算法的基础上提出了一种基于频繁项集筛选策略的关联规则挖掘的改进算法。提高了FP-growth算法的可

用Python实现了FP-Growth频繁模式挖掘，文件中包含完整程序和测试数据。之前我还以为代码量相对较大，最后写完了发现只有一百多行，所以理解起来也相对容易

机器学习之关联分析与频繁项集（Apriori和FP-Growth算法）-附件资源

c++实现的Apriori生成频繁项集算法 c++实现的Apriori生成频繁项集算法 文本读入数据 可运行 c++实现的Apriori生成频繁项集算法 c++实现的Apriori生成频繁项集算法 文本读入数据 可运行

APRIORI算法中使用链表来实现对频繁项集的数据挖掘，在生成k项集时使用FK-1*FK-1的算法，在生成K-项集时直接删除支持度不满足最小阈值的项。

市场篮子分析：使用股票购买数据集挖掘频繁项目集和关联规则的应用 其中包含我在美因河畔法兰克福歌德大学商业与经济学院市场学系2019/2020冬季学期选修模块“ Empirische Kundendatenanalyse：Eine praxisorientierteEinführung”的研讨会论文代码。 抽象的： 市场购物篮分析是一种用于识别经常一起购买的产品集的方法。 市场购物篮分析的一种方法涉及在大型数据库中挖掘频繁的项目集和项目之间的关联规则。 从这种分析中获得的知识对于各种营销活动（例如产品展示位置或促销活动）至关重要。 本文演示了ING-DiBa银行2019年股票购买数据上APRIORI算法的实现，以发现经常一起购买的股票集以及这些项目集之间的相关性。 关键字：市场篮子分析，频繁项目集，关联规则，Apriori算法，股票购买 介绍： 挖掘关联规则是检测一组交易中项目之间关

基于闭频繁项集短文本聚类.pdf

机器学习之关联分析与频繁项集（Apriori和FP-Growth算法）-附件资源