R实验（二）-关联规则-apriori函数的基本使用
动动大家的小手，一键三连一下，这对我有很大的帮助～
实验1：关联规则R基本实现验证—apriori函数的简易使用
mydata<-read.transactions(file="D:\\表6.1.csv")
问题1.1：请描述上述命令的运行结果
答：从D盘中读取表6.1.csv中的数据
问题1.2：结合运行结果，请描述inspect 函数功能
答：查看数据集的记录（如图1所示）
图1
问题1.3：结合运行结果，请写出：生成的规则总数，最大的支持度、置信度和提升度
答：成的规则总数为10条，最大支持度：0.2222、最大置信度：1、最大提升度：1.500（如图2所示）
图2
问题1.4：结合运行结果，请描述inspect函数功能（其中，lhs和rhs是前件和后件）
答：显示myrules中的所有规则（如图3所示）
图3
问题1.5：依据运行结果，请描述所有规则的后件（即rhs）所含项的数量
答：所有规则的后件所含项的数量均为1（如图3所示）
问题1.6：依据表6.1的实际数据，请写出规则1、5和9的支持度、置信度和提升度计算过程
| 规则 |
支持度计算过程 |
置信度计算过程 |
提升度计算过程 |
| 1 |
2/9=0.222222 |
2/2=1 |
2/9/(2/9*7/9)=1.285714 |
| 5 |
1/9=0.111111 |
1/1=1 |
1/9/(1/9*6/9)=1.500000 |
| 9 |
1/9=0.111111 |
1/1=1 |
1/9/(1/9*7/9)=1.285714 |
实验2：关联规则R基本实现验证—apriori函数的其他使用
问题2.1：结合图2.1，请详细描述“①~④”部分的结果含义【其中，density表示数据的稀疏程度】
答：1、事务总共有9个项集，5个item，在稀疏矩阵中，1占的比例为0.5111111；
2、将1项集按其频繁程度排序，频繁的1项集{I2}出现了7次，{I1}出现6次，{I3}出现6次，{I4}出现2次，{I5}出现2次；
3、将事务数据集中，每一个事务包含的元素个数进行计数并分类，例如第一列含义为：包含两个元素的事务数为5个；
4、计算事务中元素总数的最小值，最大值和四分位数。
问题2.2：依据运行结果，请描述上述sort函数的具体功能
答：对于myrules，按其support值进行排序，默认为降序（如图4所示）
问题2.3：依据sort(x=myrules, by="support", decreasing=TRUE)，请描述该sort函数具体功能，并运行该函数，观察结果
答：对于myrules，按其support值进行排序，decreasing=true为按降序排序。
图4
问题2.4：依据运行结果，请描述所有规则的后件（即rhs）所含项的数量
答：所有规则的后件所含项的数量均为1（如图5所示）
图5
问题2.5：依据运行结果，请描述所有规则的后件（即rhs）所含项的数量；体会R语言的apriori生成规则的后件项数特点！
答：所有规则的后件所含项的数量均为1（如图6所示）
图6
问题2.6：依据上述两个apriori函数的运行结果，请描述minlen的功能
答：LHS+RHS并集的元素的最小个数，图7为最小个数为2时的数据，图8为最小个数为3时的数据
图7
图8
实验3：关联规则R基本实现验证—其他函数的使用
问题3.1：依据运行结果，请描述参数[,1:3]的功能
答：查看前三个item的支持度（如图9所示）。
图9
itemFrequencyPlot(mydata, support=0.2)
itemFrequencyPlot(mydata, support=0.3)
问题3.2：依据运行结果图，请描述上述两个命令的结果之间差异；并运行结果图，截取、存入word。
答：第一条命令：显示支持度大于0.2的项集的支持度图（如图10所示）
第二条命令：显示支持度大于0.3的项集的支持度图（如图11所示）
图10
图11
问题3.3：请描述下述函数的完整功能
答：
itemFrequencyPlot(mydata, horiz=T) ：显示关于mydata数据的图表条形水平展示图（如图12所示）；
itemFrequencyPlot(mydata, topN=3, horiz=T)：显示关于mydata中前三个item的图表条形水平展示图（如图13所示）；
itemFrequencyPlot(mydata, support=0.2, topN=3, horiz=T)：显示关于mydata中前三个item中支持度大于0.2的图表条形水平展示图（如图14所示）；
图12
图13
图14
问题3.4：依据上述排序sort函数格式，请写出“依据支持度”排序的sort函数格式
答：sorted <- sort(x=myrules, by="support")
图15
问题3.5：请描述函数“subset(myrules, lift>1.3&support>0.2)”的功能
答：提取符合提升度lift>1.3并且支持度support>0.2的规则（如图16所示）。
图16
问题3.6：若提取后件含“I1”项的规则，则请写出subset函数形式
答： subset(myrules,subset=lhs%in%"I2") （如图17所示）
图17
问题3.7：依据下述subset运行结果，请描述subset(myrules, items %pin% c("I1")) 的功能
subrules=subset(myrules, items %pin% c("I1"))
答：提取myrules中包含I1的规则（如图18所示）
图18
问题3.8：依据下述subset运行结果，请描述subset(myrules, items%in% c("I5")&lift>=1.5) 的功能
subrules=subset(myrules, items%in% c("I5")&lift>=1.5)
inspect(subrules)
答：提取myrules中包含I5的规则并且提升度lift>=1.5的规则（如图19所示）。
图19
问题3.9：若需要显示subrules的前三项，则请写出inspect函数的具体形式
答：inspect(subrules[1:3]) （如图20所示）
图20
实验4：基于数据集Groceries 的关联规则挖掘
问题4.1：Groceries数据集，有多少行（即事务），有多少商品项？
答：有9835行，169个商品项（如图21所示）
问题4.2：在稀疏矩阵中，1占的比例是多少？
答：比例为0.02609146（如图21所示）
图21
问题4.3：若生成最小支持度0.001、最小置信度0.5的规则（假设规则存入myrules），则写出apriori函数样式，并发现了多少规则？长度为4的规则，有多少？
答：apriori(Groceries,parameter=list(support=0.001,confidence=0.5))共5668条规则（如图22所示）；长度为4的规则，有3211条（如图23所示）。
图22
图23
问题4.4：在实现问题3的条件基础上，支持度、置信度和提升度最大值，分别是多少？
答：支持度最大值：0.007829、置信度最大值：1.0000、提升度最大值：11.279（如图24所示）。
图24
问题4.5：在实现问题3的条件基础上，若显示前5个规则，则写出itemFrequencyPlot函数样式，并将截取、存入支持度图。
答：itemFrequencyPlot(Groceries,topN=5, horiz=T) （如图25所示）
图25
问题4.6：在实现问题3的条件基础上，若生成support大于0.1的支持度图，则写出itemFrequencyPlot函数样式，并将截取、存入支持度图。
答：itemFrequencyPlot(Groceries,support=0.1) （如图26所示）
图26
问题4.7：运行下述三条命令，请给出运行结果，并分析下述三条命令的功能。
inspect(sort(rules,by="support")[1:5])
将myrules中的数据按支持度排序，并显示前五条规则
subset(rules,subset=rhs%in%"whole milk"&lift>=1.2)
提取myrules中右件为whole milk，且提升度>=1.2的规则数
inspect(subset(rules,subset=rhs%in%"whole milk"&lift>=1.2)[1:5])
显示myrules中右件为whole milk，且提升度>=1.2的前五条规则
如图27所示
图27
动动大家的小手，一键三连一下，这对我有很大的帮助～，如果有不正确的地方，还请大家指正！