无监督学习之关联规则分析（—）：基本概念总结

一、关联规则分析（一）

关联规则分析也称为购物篮分析，早期是为了发现超市销售数据中不同商品的关联关系，可以帮助超市了解客户的购买模式和习惯，以便于制定更好的销售计划。可以求出当a数据出现时b数据出现的可能性。常用的算法有Apriori，FP-Tree，Eclat，灰色关联算法，本篇主要介绍关联规则的一些基本概念和参数。
首先介绍一些基本概念

1.项：

超市用户购买数据库中所保存的所购买的产品称之为项，例如面包，矿泉水，都属于项。

2.项集：

一次所购买东西的总和叫做项集,例如我今天去超市买了：{方便面，火腿肠，可乐}，这是我今天购买的项集，根据项集中所包含的项数，可以称为K项集，K为项集中的项数，例如{方便面，火腿肠，可乐}就可叫为3—项集，而我去超市购买商品就成了一个事务。

3.前项——后项：

假如所求规则为：{方便面}——{火腿肠} 则方便面称之为前项，火腿肠称之为后项。

4.支持度计数：

所求关联规则商品出现在几个项集当中的次数称为他的支持度计数，例如，今天超市只有我和我的同学同时购买了方便面和火腿肠，那么方便面的支持度计数为2。

5.支持度：

支持度：某一规则同时发生的概率，支持度等于支持度计数除以总的事务数，例如今天超市有100人买东西，但只有我和我朋友买了同时购买了方便面和火腿肠，那么{方便面}——{火腿肠} 这一规则的支持度就等于2/100=0.02。

支持度表示了某一规则出现的可能性，一般最后会对支持度超过一定的阈值的规则进行分析。

6.置信度：

置信度：在某个规则中前项出现时，后项出现的概率。置信度等于前项与后项同时出现的概率除以前项出现的概率。

7.提升度：

提升度：当某个规则中前项出现时对后项出现的影响。

提升度大于一时且越大，表示前项与后项成正相关性，且正相关性越高。
提升度等于一时，表示前项与后项之间无相关性。
提升度小于一且越小，表示前项与后项成负相关性，且负相关性越高。

一般情况下，我们选择对提升度大于3的关联规则进行分析,一般来说，支持度较大的规则，提升度倾向于比较小，提升度特别大的规则，支持度倾向于非常小

8.频繁项集与强关联规则：

支持度大于设定阈值的项集称为频繁项集。
支持度和置信度均大于设定阈值的规则称为强关联规则。

文章中图片来源于https://blog.csdn.net/weixin_42057852/article/details/82661667
因为自己刚开始写博客，自己公式写的没有前辈的好，所以就截图拼上来了，嘿嘿。