看书标记【数据科学：R语言实战 2】

【数据科学：R语言实战 2】

Chapter 2 序列的数据挖掘

2.1 模式

eclat：用于项集模式检测，常用购物车
arules：确定数据集中的项目共现
apriori：学习数据集中的关联规则
TraMineR：挖掘序列的R包

2.1.1 Eclat 频繁项集的挖掘

寻找行为相似的模式，通过数据中的交集来估算同时频繁出现事件候选项（购物车项目）的支持度，然后通过对频繁候选项进行测试来证实数据集中的模式。

用法

Eclat可以使用arules包中的eclat()函数

• 参数
  data 待分析的数据矩阵
  parameter ECParameter或列表对象。ECParameter（support：界定最小支持度0.1；minlen：包含最小容量1；maxlen：包含最大容量10；target：界定了待挖掘关联项集的类型.）
  control ECControl或列表的对象。ECControl（sort：1、2升序、-1降序、0未分类、-2事务容量和的降序；verbose：显示进度信息）

用eclat找到成年人行为的相似点

library(“arules”)
data(“Adult”)
dim(Adult)
summary(Adult)

查找数据集中的频繁项目

data(“Adult”)
itemsets <- eclat(Adult)
itemsets.sorted <- sort(itemsets)
itemsets.sorted[1:5]   #仅看前五个集合

未要求资本损失或资本利得、美国人、白种人

集中于最高频率的示例

将范围缩减至数据集中出现的最高频率，调节minlen参数

itemsets <- eclat(Adult, parameter=list(minlen=9))
inspect(itemsets)

2.1.2 arulesNBMiner

arulesNBMiner 用于寻找一个集合中两个及以上项目的共现。底层模型即负二项式模型，允许高度偏态次数分配，我们会观察到，项目集频率正出现在数据子集合中。

用法

NBMiner()

• 参数
  data 数据矩阵
  parameter 参数列表
  control 控制列表（自动转换为NBMinerControl的对象）
  NBMinerParameters是用于调用NBMiner的参数块。

Agrawal数据是为集中事务通过特别合成而生成的。

data(Agrawal)
summary(Agrawal.db)
summary(Agrawal.pat)

“size”表现的是各个子集在少数例子中具有偏态的子集

为频繁集挖掘Agrawal数据

mynbparameters <- NBMinerParameters(Agrawal.db)
mynbminer <- NBMiner(Agrawal.db, parameter = mynbparameters)
summary(mynbminer)

项目近乎均匀分布、项集长度1、2有较大偏斜

2.1.3 Apriori

Apriori算法尝试找到数据集中常见的子集合，必须满足最小阈值以便核实关联，支持度默认为10，置信度默认值为80。

用法

apriori()

• 参数
  data 数据集
  parameter 控制处理方式的参数列表，支持度默认值0.1，置信度默认值0.8，maxlen默认值10.
  appearance 控制了所用的数据值
  control 控制了算法，特别是分类的效能

评估购物篮中的关联

install.packages("arules")
library(arules)
tr <- read.transactions("http://fimi.ua.ac.be/data/retail.dat", format="basket")  #比利时杂货店数据
summary(tr)   ##结果表明成对项目很受欢迎，项目39有50675个
itemFrequencyPlot(tr, support=0.1)	#最频繁项目
rules <- apriori(tr, parameter=list(supp=0.5,conf=0.5))  #构建关联规则
summary(rules)  #规则摘要
inspect(rules)  ##具体规则 项目39加入购物篮率高
## interestMeasure(rules, c("support", "chiSquare", "confidence", "conviction", "cosine", "leverage", "lift", "oddsRatio"), tr)

2.1.4 用TraMineR确定序列

发现序列并可视化，可以将序列分布、序列频率及数据湍流等绘图。
内置数据集：actcal（2000年以来每月活动单个的状态符号）、biofam（15-30岁期间单个的家庭生活状态）、mvad（每月活动单个的状态数据）

用法

seqdef()

• 参数
  data 矩阵
  var 纵列列表，包含序列NULL
  informat 原始数据的格式（STS\SPS\SPELL）
  stsep 分隔符
  alphabet 所以可能状态的列表
  states 包含了短时状态的标记

确定训练和职业中的序列

install.packages("TraMineR")
library ("TraMineR")
data(mvad) ##mvad数据追踪了712个个体，自训练至工作的过程
summary(mvad)
myseq <- seqdef(mvad, 17:86)  ##截取序列数据，参照相关状态来获取所需的序列数据
seqiplot(myseq) ##指数图表：参照个人不同状态间界定的转换期
seqfplot(myseq) ## 频率图表：同一序列的人群集，经过一段时间训练后会有工作
seqdplot(myseq) ##分布图表：在上学或训练后开始工作
seqHtplot(myseq) ##序列的熵
##数据湍流：从数据中可见的某个特定事例可以推导出多少不同的后续序列。
##seqST函数将数据湍流可视化
myturbulence <- seqSt(myseq)
hist(myturbulence)

2.1.5 序列相似点

TraMineR中的seqdist函数可以度量序列异同。
LCP（最长公共前缀）的比较、LCS（最长公共序列，两个序列的相同部分）、OM（最佳匹配距离，最佳编辑距离）

用法

LCP计算函数seqdist()

• 参数
  seqdata 状态序列（用seqdef界定）
  method 包含了待用的LCP方法
  refseq 可选参考序列
  norm 距离标准化
  indel 仅用于OM
  sm 替代矩阵（忽略LCP）
  with.missing TRUE 出现缺失间隙
  full.matrix TRUE 返回全矩阵

示例

data(famform) 
seq <- seqdef(famform)  ##界定可用的序列对象
seq
seqLLCP(seq[3,],seq[4,])  #使用序列3、4的LCP，得到四个前置匹配即“S-U-M-MC”
seqLLCS(seq[1,],seq[2,])  #计算1、2的LCS度量
cost <- seqsubm(seq, method="CONSTANT", cval=2)  ##确定OMD=2
cost

这一章节有很多都没有看明白。尴尬……