Weka --- 关联规则挖掘

算法属性设置：

1.car：如果设为真，则会挖掘类关联规则而不是全局关联规则。
2.classindex： 类属性索引。如果设置为-1，最后的属性被当做类属性。
3.delta： 以此数值为迭代递减单位。不断减小支持度直至达到最小支持度或产生了满足数量要求的规则。
4.lowerBoundMinSupport： 最小支持度下界。
5.metricType： 度量类型，设置对规则进行排序的度量依据。可以是：置信度（类关联规则只能用置信度挖掘），提升度(lift)，杠杆率(leverage)，确信度(conviction)。
在 Weka中设置了几个类似置信度(confidence)的度量来衡量规则的关联程度，它们分别是：
a)Lift ： P(A,B)/(P(A)P(B)) Lift=1时表示A和B独立。这个数越大(>1)，越表明A和B存在于一个购物篮中不是偶然现象,有较强的关联度.
b)Leverage :P(A,B)-P(A)P(B)
Leverage=0时A和B独立，Leverage越大A和B的关系越密切
c) Conviction:P(A)P(!B)/P(A,!B) （!B表示B没有发生） Conviction也是用来衡量A和B的独立性。从它和lift的关系（对B取反，代入Lift公式后求倒数）可以看出，这个值越大, A、B越关联。
6.minMtric ：度量的最小值。
7.numRules： 要发现的规则数。
8.outputItemSets： 如果设置为真，会在结果中输出项集。
9.removeAllMissingCols： 移除全部为缺省值的列。
10.significanceLevel ：重要程度。重要性测试（仅用于置信度）。
11.upperBoundMinSupport： 最小支持度上界。 从这个值开始迭代减小最小支持度。
12.verbose： 如果设置为真，则算法会以冗余模式运行。

=== Run information ===
%运行信息


Scheme:       weka.associations.Apriori -I -N 10 -T 0 -C 0.9 -D 0.05 -U 1.0 -M 0.1 -S -1.0 -c -1
%  算法的参数设置：-I -N 10 -T 0 -C 0.9 -D 0.05 -U 1.0 -M 0.5 -S -1.0 -c -1 ;
%  各参数依次表示：
%  I - 输出项集，若设为false则该值缺省;
%  N 10 - 规则数为10;
%  T 0 – 度量单位选为置信度，(T1-提升度，T2杠杆率，T3确信度);
%  C 0.9 – 度量的最小值为0.9;
%  D 0.05 - 递减迭代值为0.05;
%  U 1.0 - 最小支持度上界为1.0;
%  M 0.5 - 最小支持度下届设为0.5;
%  S -1.0 - 重要程度为-1.0;
%  c -1 - 类索引为-1输出项集设为真
%  (由于car, removeAllMissingCols, verbose都保持为默认值False，因此在结果的参数设置为缺省，若设为True，则会在结果的参数设置信息中分别表示为A, R,V)


Relation:     mushroom %数据名称
Instances:    8124 %数据项个数
Attributes:   23 %属性项个数/属性项
              cap-shape
              cap-surface
              cap-color
              bruises?
              odor
              gill-attachment
              gill-spacing
              gill-size
              gill-color
              stalk-shape
              stalk-root
              stalk-surface-above-ring
              stalk-surface-below-ring
              stalk-color-above-ring
              stalk-color-below-ring
              veil-type
              veil-color
              ring-number
              ring-type
              spore-print-color
              population
              habitat
              class
=== Associator model (full training set) ===

Apriori
=======

Minimum support: 0.95 (7718 instances)  %最小支持度0.95，即最少需要7718个实例
Minimum metric <confidence>: 0.9   %最小度量<置信度>: 0.9
Number of cycles performed: 1 %进行了1轮搜索

Generated sets of large itemsets:
%生成的频繁项集

Size of set of large itemsets L(1): 3   %频繁1项集：3个

Large Itemsets L(1):  %频繁1项集(outputItemSets设为True, 因此下面会具体列出)
gill-attachment=f 7914
veil-type=p 8124
veil-color=w 7924

Size of set of large itemsets L(2): 3


Large Itemsets L(2):  %频繁2项集
gill-attachment=f veil-type=p 7914
gill-attachment=f veil-color=w 7906
veil-type=p veil-color=w 7924

Size of set of large itemsets L(3): 1  

Large Itemsets L(3):  %频繁3项集
gill-attachment=f veil-type=p veil-color=w 7906

Best rules found:   %最佳规则

 1. veil-color=w 7924 ==> veil-type=p 7924    conf:(1)
 2. gill-attachment=f 7914 ==> veil-type=p 7914    conf:(1)
 3. gill-attachment=f veil-color=w 7906 ==> veil-type=p 7906    conf:(1)
 4. gill-attachment=f 7914 ==> veil-color=w 7906    conf:(1)
 5. gill-attachment=f veil-type=p 7914 ==> veil-color=w 7906    conf:(1)
 6. gill-attachment=f 7914 ==> veil-type=p veil-color=w 7906    conf:(1)
 7. veil-color=w 7924 ==> gill-attachment=f 7906    conf:(1)
 8. veil-type=p veil-color=w 7924 ==> gill-attachment=f 7906    conf:(1)
 9. veil-color=w 7924 ==> gill-attachment=f veil-type=p 7906    conf:(1)
10. veil-type=p 8124 ==> veil-color=w 7924    conf:(0.98)