关联规则挖掘

直接用实例来解释概念更清楚一些，加入数据库中存在10条交易记录（Transaction），具体如下表所示：

 

几个概念：

项目（item）：其中的B C M T 都称作item。

项集（itemset）:item的集合，例如{B C}、{C M T}等，每个顾客购买的都是一个itemset。其中，itemset中item的个数成为itemset的长度，含有k个item的itemset成为K-itemset.

交易（transaction）：定义I为所有商品的集合，在这个例子中I={B C M T}。每个非空的I子集都成为一个交易。所有交易构成交易数据库D。

项集支持度（support）：回个一下项集概念，项集X的支持度定义为：项集X在交易库中出现的次数（频数）与所有交易次数的比。例如T02的项集X={B C M}，则support（X）=2/10=0.2。项集支持度也就是项集出现的频率。

 

频繁集（frequent itemset）：如果一个项集的支持度达到一定程度（人为规定），就称该项集为频繁项集，简称频繁集。这个人为规定的界限就被叫做项集最小支持度（记为supmin）。更通俗地说，如果某个项集（商品组合）在交易库中出现的频率达到一定值，就称作频繁集。如果K项集支持度大于最小支持度，则称作K-频繁集，记为Lk。

 

关联规则（association rule）：R：X→Y

其中，X、Y都是I的子集，且X、Y交集为空。这一规则表示如果项集X在某一交易中出现，则会导致项集Y以某一概率同时出现在这一交易中。例如R1：{B}→{M} 表示如果面包B出现在一个购物篮中，则牛奶M以某一概率同时出现在该购物篮中。X称为条件（antecedent or left-hand-side LHS）,Y称为结果（consequence or right hand side RHS）。衡量某一关联规则有两个指标：关联规则的支持度（support）和可信度（confidence）。

关联规则的支持度：交易库中同时出现X、Y的交易数与总交易数之比,记为support（X→Y）。其实也就是两个项集{X Y}出现在交易库中的频率。

关联规则的可信度：包含X、Y的交易数与包含X的交易数之比，记为confidence(X→Y)。也就是条件概率：当项集X出现时，项集Y同时出现的概率，P（Y|X）。

Conviction：conv（X→Y）=【 1-sup（Y）】/【1-conf（X→Y）】表示X出现而Y不出现的概率。也就是规则预测错误的概率。

 

综合一下，关联规则R就是：如果项集X出现在某一购物篮，则项集X同时出现在这一购物篮的概率为confidence （X→Y）。

如果我们定义一个关联规则最小支持度和关联规则最小可信度，当某一规则两个指标都大于最低要求时，则成为强关联规则。反之成为弱关联规则。

例如，在上表中，对于规则R：B → M，假设这一关联规则的支持度为6/10=0.6，表示同时包含C和M的交易数占总交易的60%.可信度为6/8=0.75，表示购买面包B的人，有75%可能性同时购买牛奶。也就是当抽样样本足够大时，每100个人当中，有75个人同时买了面包和牛奶，两外25个人只买其中一样。

 

Rakesh  Agrawal

 

关联规则的发现一般分为两个步骤：

1）            根据给定的最小项集支持度，找出所有满足条件的项集，即频繁项集。

2）            根据最小可信度，在所有频繁集中找出符合条件的关联规则。

步骤1中，可能的项集组合（itemset）有2n-1（排除空集），找出所有频繁集不是一个简单的任务。注意的是，如果某个项集X是频繁集，则X的子集也必定为频繁集。

 

关联规则分类：

数据的维度：单维和多维，例如面包-->牛奶为单维关联规则。而  性别=“女”--->职业=“教师”为多维。

数据的抽象层次：单层关联规则和多层关联规则。 单层的还是面包牛奶的例子，多层的比如：面包--->伊利牌牛奶。

变量的类型：布尔型关联规则和数值型。布尔型： 性别=“女”--->职业=“教师。 数值型：工龄=“5”----->平均工资=“3000”

频繁项集常用挖掘算法：Apriori算法、FP-growth算法、Eclat算法

在IBM SPSS Modeler中，用简单的数据集测试Apriori算法。详细请参考：

http://blog.sciencenet.cn/blog-71538-682195.html