数据挖掘与知识发现(讲稿关联规则挖掘技术).docVIP

第5章 关联规则挖掘技术 关联规则概念是由Agrawal、Imielinsk和Swami等人于1993年提出的，用于挖掘顾客数据库中项集间的关联规则问题。其核心方法是基于频集理论的递推方法。关联规则模式属于描述型模式，发现关联规则的算法属于无监督学习的方法。 关联规则是发现交易数据库中不同商品（项）之间的联系，这些规则找出顾客购买行为模式，如购买了某一商品对购买其他商品的影响。发现这样的规则可以应用商品货架设计、货存安排以及根据购买模式对用户进行分类。 问题：“什么商品组或集合顾客多半会在一次购物中同时购买？” 购物篮分析：设全域为商店出售的商品的集合（即项目全集），一次购物购买（即事务）的商品为项目全集的子集，若每种商品用一个布尔变量表示该商品的有无，则每个购物篮可用一个布尔向量表示。通过对布尔向量的分析，得到反映商品频繁关联或同时购买的购买模式。这些模式可用关联规则描述。 〖例〗购买计算机与购买财务管理软件的关联规则可表示为： computer financial_management_softwar [support=2%,confidence=60%] support为支持度，confidence为置信度。 该规则表示：在所分析的全部事务中，有2％的事务同时购买计算机和财务管理软件；在购买计算机的顾客中60％也购买财务管理软件。 5.1 关联规则的概念 关联（Associations）分析的目的是为了挖掘隐藏在数据间的相互关系，即对于给定的一组项目和一个记录集，通过对记录集的分析，得出项目集中的项目之间的相关性。 项目之间的相关性用关联规则来描述，关联规则反映了一组数据项之间的密切程度或关系。 关联规则发现的主要对象是事务数据库，其中针对的应用是售货数据，也称货篮数据。如，超市前端收款机中就收集存储了大量的数据。一般情况下，一个事务（记录）由如下几部分组成：事务处理时间、顾客购买的物品、物品的数量及金额，以及顾客的标识号（如信用卡号）等。 定义：设是一组物品集，是一组事务集。中的每个事务T是一组物品，。假设有一个物品集A，一个事务T，如果，则称事务T支持物品集A。 关联规则的描述是如下形式的一种蕴含： 或 其中A、B是两组物品，且。 记--表示事务中出现物品集A的概率。 一个关联规则的属性通常采用如下的四个参数描述： 1）可信度（Confidence） 设中支持物品集A的事务中，有c%的事务同时也支持物品集B，则称c%为关联规则的可信度。简单的说，可信度就是指在出现了物品集A的事务中，物品集B也同时出现的概率有多大。计算公式为：。如，购买面包A的顾客中有70%的人购买了黄油B，则其可信度为70%。 2）支持度（Support） 设中有s%的事务同时支持物品集A和B，则称s%为关联规则的支持度。支持度描述了A和B这两个物品集并集C在所有事务中出现的概率有多大。计算公式为： 。 如，某天共有1000个顾客到商场购物，其中有100个顾客同时购买了面包和黄油，则关联规则的支持度为10%。 3）期望可信度（Expected confidence） 设中有e%的事务支持物品集B，则称e%为关联规则的期望可信度。期望可信度描述了在没有任何条件影响时，物品集B在所有事务中出现的概率有多大。计算公式为：。如，某天共有1000个顾客到商场购物，其中有200个顾客购买了黄油，则上述的关联规则期望可信度为20%。 4）作用度（Lift） 作用度是可信度与期望可信度的比值。作用度描述物品集A的出现对物品集B的出现有多大影响。计算公式为：。如，上述例中的作用度为70%/20%=3.5。 由此知，可信度是对关联规则的准确度的衡量；支持度是对关联规则重要性的衡量。支持度说明了这条规则在所有事务中有多大的代表性，显然支持度越大，关联规则越重要。 有些关联规则可信度虽然很高，但支持度却很低，说明该关联规则实用的机会很小，因此也不重要。 作用度描述了物品集A对物品集B的影响力的大小。作用度越大，说明物品集B受物品集A的的影响越大。一般情况，有用的关联规则的作用度均是大于1的。 5.2关联规则的分类 （1）基于规则中处理的变量的类别 基于规则中处理的变量的类别,关联规则可以分为布尔型和数值型。 布尔型关联规则：如果规则考虑的关联是项“在”或“不在”，则关联规则是布尔型的。例如，由购物篮分析得出的关联规则。 量化型关联规则：如果描述的是量化的项或属性之间的关联，则该规则是量化型的关联规则。例如，以下是量化型关联规则的一个例子（其中X为表示顾客的变量，量化属性age 和income已经离散化）： age(X,“30…39”)∧income(“42K…48K”) buys(X,“high