先驗(yàn)法關(guān)聯(lián)規(guī)則挖掘綜述以及其實(shí)現(xiàn)

先驗(yàn)法關(guān)聯(lián)規(guī)則挖掘綜述以及其實(shí)現(xiàn)報告人：張震指導(dǎo)老師：榮岡2008.12.301235關(guān)聯(lián)知識挖掘主要內(nèi)容數(shù)據(jù)挖掘軟件weka應(yīng)用介紹探索--在weka中添加免疫算法6數(shù)據(jù)挖掘結(jié)果分析4先驗(yàn)法在weka上的實(shí)現(xiàn)先驗(yàn)法及其優(yōu)化理論1235關(guān)聯(lián)知識挖掘主要內(nèi)容數(shù)據(jù)挖掘軟件weka應(yīng)用介紹探索--在weka中添加免疫算法6數(shù)據(jù)挖掘結(jié)果分析4先驗(yàn)法在weka上的實(shí)現(xiàn)先驗(yàn)法及其優(yōu)化理論數(shù)據(jù)挖掘數(shù)據(jù)挖掘（DataMining）就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。知識發(fā)現(xiàn)（KDD）是指從數(shù)據(jù)中識別合法的、新穎的、有潛在價值的、以及最終的可理解的模式的非常規(guī)的過程。知識發(fā)現(xiàn)的過程包括數(shù)據(jù)準(zhǔn)備、模式搜索、知識評估以及知識提煉等許多步驟，而這些步驟構(gòu)成一個多重循環(huán)的過程。一般認(rèn)為，數(shù)據(jù)挖掘是組成知識發(fā)現(xiàn)過程的一個環(huán)節(jié)，它是在某種可接受的約束條件下，應(yīng)用數(shù)據(jù)分析和數(shù)據(jù)發(fā)現(xiàn)算法，從數(shù)據(jù)中獲取某些特定模式的過程。廣義的數(shù)據(jù)挖掘和知識發(fā)現(xiàn)（KDD）是一樣的，可以不加區(qū)分。一般情況下，在研究領(lǐng)域習(xí)慣稱為數(shù)據(jù)庫中知識發(fā)現(xiàn)，在工程領(lǐng)域稱之為數(shù)據(jù)挖掘。

數(shù)據(jù)挖掘的流程23451數(shù)據(jù)挖掘：選擇適當(dāng)?shù)乃惴?，從?shù)據(jù)中提取出適當(dāng)?shù)哪Ｊ?。知識評估：將發(fā)現(xiàn)的模式以人能理解的方式表達(dá)出來，成為知識。數(shù)據(jù)預(yù)處理：檢查數(shù)據(jù)的完整性、一致性，對噪音數(shù)據(jù)和丟失的數(shù)據(jù)進(jìn)行處理。數(shù)據(jù)提?。焊鶕?jù)需求從數(shù)據(jù)庫中提取相關(guān)數(shù)據(jù)。問題定義：熟悉應(yīng)用領(lǐng)域的背景知識，明確發(fā)現(xiàn)任務(wù)的需求。數(shù)據(jù)挖掘的流程關(guān)聯(lián)規(guī)則關(guān)聯(lián)規(guī)則是由Agrawal等人首先提出的一個重要KDD研究課題，它反映了大量數(shù)據(jù)中項(xiàng)目集之間有趣的關(guān)聯(lián)或相關(guān)聯(lián)系。關(guān)聯(lián)規(guī)則的數(shù)學(xué)表達(dá)：設(shè)I=

是二進(jìn)制文字的集合,其中的元素稱為項(xiàng)(item)

。記D

為交易（transaction)T的集合,這里交易T

是項(xiàng)的集合,并且T屬于I

。對應(yīng)每一個交易有惟一的標(biāo)識,如交易號,記作TID。設(shè)X

是一個I

中項(xiàng)的集合,如果X屬于T,那么稱交易T

包含X

。一個關(guān)聯(lián)規(guī)則是形如XY的蘊(yùn)涵式,這里X屬于I,Y屬于I,并且X∩Y=非空。

關(guān)聯(lián)規(guī)則的基本概念項(xiàng)的集合稱為項(xiàng)集(itemset)

。包含k個項(xiàng)的項(xiàng)集稱為k-項(xiàng)集。項(xiàng)集的出現(xiàn)頻率是包含項(xiàng)集的事務(wù)數(shù),簡稱為項(xiàng)集的頻率、支持度或計數(shù)。如果項(xiàng)集滿足最小支持度(由用戶或領(lǐng)域?qū)＜以O(shè)定),則稱它為頻繁項(xiàng)集。給定一個交易集D,挖掘關(guān)聯(lián)規(guī)則問題就是產(chǎn)生支持度和置信度分別大于最小支持度(minsupp)

和最小置信度(minconf)

的關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則的種類·按變量的類別

按數(shù)據(jù)的抽象層次

按數(shù)據(jù)的維數(shù)

按變量類別，關(guān)聯(lián)規(guī)則可以分為布爾型和數(shù)值型。布爾型關(guān)聯(lián)規(guī)則處理的值都是離散的、種類化的,它顯示了這些變量之間的關(guān)系。數(shù)值型關(guān)聯(lián)規(guī)則可以和多維關(guān)聯(lián)或多層關(guān)聯(lián)規(guī)則結(jié)合起來,對數(shù)值型字段進(jìn)行處理,將其進(jìn)行動態(tài)的分割,或者直接對原始的數(shù)據(jù)進(jìn)行處理?；谝?guī)則中數(shù)據(jù)的抽象層次,可以分為單層關(guān)聯(lián)規(guī)則和多層關(guān)聯(lián)規(guī)則。在單層關(guān)聯(lián)規(guī)則中,所有的變量都沒有考慮到現(xiàn)實(shí)的數(shù)據(jù)是具有多個不同的層次的。在多層關(guān)聯(lián)規(guī)則中,對數(shù)據(jù)的多層性進(jìn)行了充分的考慮?；谝?guī)則中涉及到的數(shù)據(jù)的維數(shù),關(guān)聯(lián)規(guī)則可以分為單維和多維。單維關(guān)聯(lián)規(guī)則是處理單個屬性中的一些關(guān)系；多維關(guān)聯(lián)規(guī)則是處理各個屬性之間的某些關(guān)系。1235關(guān)聯(lián)知識挖掘主要內(nèi)容數(shù)據(jù)挖掘軟件weka應(yīng)用介紹探索--在weka中添加免疫算法6數(shù)據(jù)挖掘結(jié)果分析4先驗(yàn)法在weka上的實(shí)現(xiàn)先驗(yàn)法及其優(yōu)化理論先驗(yàn)法（Apriori算法）

Agrawal等于1993年首先提出了挖掘顧客交易數(shù)據(jù)庫中項(xiàng)集間的關(guān)聯(lián)規(guī)則[1],并設(shè)計了一個基本算法,其核心是基于頻集理論的遞推方法,即基于兩階段頻集思想的方法。算法使用的基本性質(zhì)：性質(zhì)1

任何頻集的子集必定是頻集。性質(zhì)2

任何非頻繁項(xiàng)集的超集必定是非頻繁項(xiàng)集。算法的基本思想：首先找出所有的頻集,然后由頻集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則。[1]AgrawalR，ImielinskiT，SwamiA.MiningAssociationRulesbetweenSetsofItemsinLargeDatabases[C].In：ProcoftheACMSIGMODInternationalconferenceonManagementofData，WashingtonDC，1993：207～216先驗(yàn)法的計算方法先驗(yàn)法將關(guān)聯(lián)規(guī)則的設(shè)計分解為兩個子問題:①發(fā)現(xiàn)頻集。這個子問題是最重要的,開銷最大,因此,各種算法主要致力于提高發(fā)現(xiàn)頻集的效率。②根據(jù)所獲得的頻繁項(xiàng)集,產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則。根據(jù)定義這些規(guī)則必須滿足信任度閾值。由于步驟②中的操作極為簡單,因此挖掘關(guān)聯(lián)規(guī)則的整個性能就由步驟①中的操作處理所決定。其基本思路是重復(fù)掃描數(shù)據(jù)庫。其核心程序簡要描述如下:L1={large1－itemsets}；for(k=2；Lk

-1≠空；k++)dobeginCk=apriori_gen(Lk

-1)；∥新的候選集foralltransactionst∈DdobeginCt=subset(Ck,t)；∥事務(wù)t中包含的候選集doforallcandidatesc∈Ctc．count++；endLk={c∈Ck|c.countminsup}endAnswer=∪k

Lk

；先驗(yàn)法的缺點(diǎn)及其改進(jìn)（1）Apriori算法的主要缺點(diǎn)是算法執(zhí)行過程可能產(chǎn)生大量的候選集,以及可能需要重復(fù)掃描數(shù)據(jù)庫。對Apriori算法的改進(jìn)算法有雜湊算法，劃分法，采樣法，動態(tài)項(xiàng)集計數(shù)法，基于棧變換的算法等。1.雜湊算法：Park等在1995年提出了一個高效地產(chǎn)生頻集的基于雜湊(hash)的算法——DynamicHashingandPruning(DHP)算法。通過實(shí)驗(yàn)可以發(fā)現(xiàn)尋找頻集主要的計算是在生成頻繁2-項(xiàng)集上。DHP利用一個雜湊表在計算頻繁1-項(xiàng)集時先大概計算出2-項(xiàng)集的支持度,從而減少了候選2-項(xiàng)集的數(shù)量。2.劃分法：Savasere等設(shè)計了一個基于劃分的算法,這個算法把數(shù)據(jù)庫從邏輯上分成幾個互不相交的塊,每次單獨(dú)考慮一個分塊并對它生成所有的頻集,然后把產(chǎn)生的頻集合并,用來生成所有可能的頻集,最后計算這些項(xiàng)集的支持度。Partition算法很大程度上減小了I/O負(fù)載,但在處理高項(xiàng)集時存在一些問題,而且它可能導(dǎo)致頻集的錯誤處理。先驗(yàn)法的缺點(diǎn)及其改進(jìn)（2）3.采樣算法：Sampling算法是由Toivenen提出的。其基本思想是對給定數(shù)據(jù)的一個子集進(jìn)行挖掘,其核心是隨機(jī)從數(shù)據(jù)集D中采集樣本S,然后搜索S中的頻繁項(xiàng)集。樣本S的大小以能夠在內(nèi)存中完成頻繁項(xiàng)集的挖掘?yàn)闇?zhǔn)。因此,整個算法只需要掃描一遍數(shù)據(jù)庫,由于搜索的是S中的頻繁項(xiàng)集而不是D中的,可能漏掉一些全局的頻繁項(xiàng)集。4.動態(tài)項(xiàng)集計數(shù)法：Brin等人提出了動態(tài)項(xiàng)集計數(shù)算法。該算法把數(shù)據(jù)庫分成若干個特定大小的區(qū)間,首先計算候選1項(xiàng)目集在第一個區(qū)間上的支持度,根據(jù)這些支持度產(chǎn)生候選2－項(xiàng)目集,并且2－項(xiàng)目集的支持度和1－項(xiàng)目集的支持度在剩余的區(qū)間上繼續(xù)計算。算法的停止條件是沒有新的候選集產(chǎn)生和所有候選集都在整個數(shù)據(jù)庫上計算了支持度。該算法通過區(qū)間劃分減少了遍歷數(shù)據(jù)庫的次數(shù)。5.基于棧變換的算法：惠曉濱等提出了一個基于頻繁模式棧變換的高效關(guān)聯(lián)規(guī)則算法,該算法采用一種頻繁模式棧的數(shù)據(jù)結(jié)構(gòu)來儲存所有的頻繁模式信息,所有的棧單元都具有偏序關(guān)系,并分成構(gòu)造算法和變換算法兩個子算法,算法效率提高,且在數(shù)據(jù)集的記錄數(shù)較大時有很好的線性性和伸縮性。1235關(guān)聯(lián)知識挖掘主要內(nèi)容數(shù)據(jù)挖掘軟件weka應(yīng)用介紹探索--在weka中添加免疫算法6數(shù)據(jù)挖掘結(jié)果分析4先驗(yàn)法在weka上的實(shí)現(xiàn)先驗(yàn)法及其優(yōu)化理論Weka軟件介紹

Weka的全名是懷卡托智能分析環(huán)境（WaikatoEnvironmentforKnowledgeAnalysis），是一款免費(fèi)的，非商業(yè)化（與之對應(yīng)的是SPSS公司商業(yè)數(shù)據(jù)挖掘產(chǎn)品--Clementine）的，基于JAVA環(huán)境下開源的機(jī)器學(xué)習(xí)（machinelearning）以及數(shù)據(jù)挖掘（dataminining）軟件。它和它的源代碼可在其官方網(wǎng)站下載。該軟件的縮寫WEKA也是NewZealand獨(dú)有的一種鳥名，而Weka的主要開發(fā)者同時恰好來自NewZealand的theUniversityofWaikato。

WEKA作為一個公開的數(shù)據(jù)挖掘工作平臺，集合了大量能承擔(dān)數(shù)據(jù)挖掘任務(wù)的機(jī)器學(xué)習(xí)算法，包括對數(shù)據(jù)進(jìn)行預(yù)處理，分類，回歸、聚類、關(guān)聯(lián)規(guī)則以及在新的交互式界面上的可視化。而開發(fā)者則可使用Java語言，利用Weka的架構(gòu)上開發(fā)出更多的數(shù)據(jù)挖掘算法。讀者如果想自己實(shí)現(xiàn)數(shù)據(jù)挖掘算法的話，可以看一看weka的接口文檔。在weka中集成自己的算法甚至借鑒它的方法自己實(shí)現(xiàn)可視化工具并不是件很困難的事情。Weka軟件介紹

Weka的全名是懷卡托智能分析環(huán)境（WaikatoEnvironmentforKnowledgeAnalysis），是一款免費(fèi)的，非商業(yè)化（與之對應(yīng)的是SPSS公司商業(yè)數(shù)據(jù)挖掘產(chǎn)品--Clementine）的，基于JAVA環(huán)境下開源的機(jī)器學(xué)習(xí)（machinelearning）以及數(shù)據(jù)挖掘（dataminining）軟件。它和它的源代碼可在其官方網(wǎng)站下載。該軟件的縮寫WEKA也是NewZealand獨(dú)有的一種鳥名，而Weka的主要開發(fā)者同時恰好來自NewZealand的theUniversityofWaikato。

WEKA作為一個公開的數(shù)據(jù)挖掘工作平臺，集合了大量能承擔(dān)數(shù)據(jù)挖掘任務(wù)的機(jī)器學(xué)習(xí)算法，包括對數(shù)據(jù)進(jìn)行預(yù)處理，分類，回歸、聚類、關(guān)聯(lián)規(guī)則以及在新的交互式界面上的可視化。而開發(fā)者則可使用Java語言，利用Weka的架構(gòu)上開發(fā)出更多的數(shù)據(jù)挖掘算法。讀者如果想自己實(shí)現(xiàn)數(shù)據(jù)挖掘算法的話，可以看一看weka的接口文檔。在weka中集成自己的算法甚至借鑒它的方法自己實(shí)現(xiàn)可視化工具并不是件很困難的事情。Weka軟件界面

Weka程序界面如左圖，主程序之下分為SimpleCLI，explorer，experimenter，knowledge等四個模塊。SimpleCLI類似于dos環(huán)境，使用命令行的形式進(jìn)行操作。Explorer則是用戶界面的環(huán)境，可以在里面進(jìn)行各種數(shù)據(jù)挖掘操作，以下的操作主要在explorer模塊里面完成。其界面如下圖所示：Weka的數(shù)據(jù)處理Weka的數(shù)據(jù)格式：WEKA存儲數(shù)據(jù)的格式是ARFF（Attribute-RelationFileFormat）文件，這是一種ASCII文本文件。這也就是WEKA自帶的“weather.arff”文件，在WEKA安裝目錄的“data”子目錄下可以找到。此外WEKA還提供了對CSV文件的支持，而這種格式是被很多其他軟件所支持的。此外，WEKA還提供了通過JDBC訪問數(shù)據(jù)庫的功能。weka提供對數(shù)據(jù)的操作有：關(guān)系聲明、屬性聲明、數(shù)值屬性、分類屬性、字符串屬性、日期和時間屬性等?？梢詫ο∈钄?shù)據(jù)進(jìn)行有效的管理，才外還包括Relational型屬性，類型使得可以像關(guān)系型數(shù)據(jù)庫那樣處理多個維度。Weka的數(shù)據(jù)挖掘操作

Weka對數(shù)據(jù)進(jìn)行預(yù)處理，分類，回歸、聚類、關(guān)聯(lián)規(guī)則等數(shù)據(jù)挖掘操作可以分兩種方式實(shí)現(xiàn)。一是命令行方式，而是用戶界面方式。以關(guān)聯(lián)規(guī)則挖掘?yàn)槔?，若使用命令行方式，輸入命令行“javaweka.associations.Apriori-N100-T1-C1.5-D0.05-U1.0-M0.1-S-1.0-I-td:\weka\bank-data-final.arff”就可以對“d:\weka\bank-data-final.arff”文件進(jìn)行滿足“l(fā)owerBoundMinSupport”和“upperBoundMinSupport”分別為0.1和1，“metricType”為lift，“minMetric”為1.5，“numRules”為100規(guī)則的挖掘。同樣的操作可以在界面中設(shè)置如圖。確定之后就能輸出滿足規(guī)則的關(guān)聯(lián)以及中間步驟。Weka的二次開發(fā)如前所述，Weka是開源的，因此可以在其基礎(chǔ)上進(jìn)行新算法的開發(fā)。具體的實(shí)現(xiàn)步驟分以下三步：1、根據(jù)算法原理，利用Java語言編寫算法程序，注意算法要符合weka的接口，要能接收prepare面板的數(shù)據(jù)。2、建立正確的目錄。weka的目錄和它的代碼的包結(jié)構(gòu)要求是一致的。3、修改weka啟動時加載的系統(tǒng)配置文件。把.class文件按照目錄結(jié)構(gòu)放在本地weka目錄中后，對照修改weka.gui.GenericPropertiesCps

文件的內(nèi)容。1235關(guān)聯(lián)知識挖掘主要內(nèi)容數(shù)據(jù)挖掘軟件weka應(yīng)用介紹探索--在weka中添加免疫算法6數(shù)據(jù)挖掘結(jié)果分析4先驗(yàn)法在weka上的實(shí)現(xiàn)先驗(yàn)法及其優(yōu)化理論先驗(yàn)法數(shù)據(jù)挖掘?qū)嵗龜?shù)據(jù)挖掘目的：某銀行需要從已有的數(shù)據(jù)中，尋找出客戶的屬性之間存在怎樣的關(guān)聯(lián)規(guī)則。數(shù)據(jù)源：銀行的客戶記錄600條，每條記錄有12個屬性如下id：客戶的賬戶Age：客戶的年齡（以年為單位，數(shù)值型）Sex：性別（分類型）Region：客戶所屬地區(qū)（有inner_city/rural/suburban/town四種）Income：客戶的收入(數(shù)值型)Married：是否已婚(分類型)Children：子女個數(shù)(數(shù)值型)Car：客戶是否擁有車(分類型YES/NO)save_acct

：客戶是否有定期存款(分類型YES/NO)current_acct：客戶是否有活期存款(分類型YES/NO)Mortgage：客戶是否有貸款(分類型YES/NO)PEP：客戶是否購買了

PEP(PersonalEquityPlan)(分類型YES/NO)數(shù)據(jù)預(yù)處理1.將原csv格式的數(shù)據(jù)轉(zhuǎn)換成為ARFF格式。使用命令行實(shí)現(xiàn)：javaweka.core.converters.CSVLoader

filename.csv>filename.arff

2.通常本次數(shù)據(jù)挖掘任務(wù)來說，ID這樣的信息是無用的，我們將之刪除。在explorer面板中勾選屬性“id”，并點(diǎn)擊“Remove”完成操作。3.Apriori算法只能處理所有的屬性都是分類型的情況，需要對數(shù)值型的屬性進(jìn)行離散化。在這個數(shù)據(jù)集中有3個變量是數(shù)值型的，分別是“age”，“income”和“children”。其中“children”只有4個取值：0，1，2，3。這時我們在UltraEdit中直接修改ARFF文件，把@attributechildrennumeric改為@attributechildren{0,1,2,3}?！癮ge”和“income”的離散化借助WEKA中名為“Discretize”的Filter來完成。在面板中點(diǎn)“Choose”，找到weka.filters.unsupervised.attribute.Discretize”，點(diǎn)擊修改離散化的參數(shù)，將年齡分為三段，工資也分為三段。4.將處理好的數(shù)據(jù)另存為文件E:\weka\data\bank-data.csv.arff，完成數(shù)據(jù)預(yù)處理工作。關(guān)聯(lián)規(guī)則挖掘現(xiàn)在計劃挖掘出支持度在10%到100%之間，并且置信度超過80%，按照置信度排前100條的關(guān)聯(lián)規(guī)則。在關(guān)聯(lián)規(guī)則挖掘面板中把“l(fā)owerBoundMinSupport”和“upperBoundMinSupport”分別設(shè)為0.1和1，“metricType”設(shè)為lift，“minMetric”設(shè)為1.5，“numRules”設(shè)為100。其他選項(xiàng)保持默認(rèn)?！癘K”之后在“Explorer”中點(diǎn)擊“Start”開始運(yùn)行算法，在右邊窗口顯示數(shù)據(jù)集摘要和挖掘結(jié)果。運(yùn)行情況如下圖：

1235關(guān)聯(lián)知識挖掘主要內(nèi)容數(shù)據(jù)挖掘軟件weka應(yīng)用介紹探索--在weka中添加免疫算法6數(shù)據(jù)挖掘結(jié)果分析4先驗(yàn)法在weka上的實(shí)現(xiàn)先驗(yàn)法及其優(yōu)化理論結(jié)果分析1.運(yùn)行過程數(shù)據(jù)分析有一下幾行Generatedsetsoflargeitemsets:SizeofsetoflargeitemsetsL(1):27SizeofsetoflargeitemsetsL(2):221SizeofsetoflargeitemsetsL(3):588SizeofsetoflargeitemsetsL(4):407SizeofsetoflargeitemsetsL(5):56SizeofsetoflargeitemsetsL(6):1這說明第一層頻繁集一共有27個，第二層221個，以此類推，一共計算了6層。2.雖然參數(shù)設(shè)置中要求顯示100條規(guī)則，但是此處只有47條，因此只能顯示47條。3.此處47條關(guān)聯(lián)規(guī)則的置信度都達(dá)到了90%以上，每條都很高的前提下，我們進(jìn)行2個方面的規(guī)則分析，一是與儲蓄行為相關(guān)，二是與收入行為相關(guān)。結(jié)果分析—儲蓄相關(guān)（1）經(jīng)過處理，在600條記錄中，一共得到一下47條規(guī)則，其中有四條與儲蓄相關(guān)的置信度（用conv標(biāo)記）都達(dá)到了100%，記錄中箭頭前的數(shù)值表示記錄數(shù)量，conf:(1)表示置信度為1.

1.income='(43758.136667-inf)'80==>save_act=YES80conf:(1)2.age='(50.666667-inf)'income='(43758.136667-inf)'76==>save_act=YES76conf:(1)3.income='(43758.136667-inf)'current_act=YES63==>save_act=YES63conf:(1)4.age='(50.666667-inf)'income='(43758.136667-inf)'current_act=YES61==>save_act=YES61conf:(1)通過對次四條關(guān)聯(lián)規(guī)則的研究，可以發(fā)現(xiàn)第2、3、4條規(guī)則其實(shí)是第一條規(guī)則的演繹。綜合起來我們得到知識①：年收入在4.3萬以上的客戶，都有定期儲蓄的行為。這個是顯然的，高收入的人群自然會有定期儲蓄的投資行為，符合客觀事實(shí)。支持度為80/600=13.3%，置信度=100%結(jié)果分析—與儲蓄相關(guān)（2）除了收入的因素，可能還有其他屬性會影響客戶的經(jīng)濟(jì)行為。以此指導(dǎo)思想出發(fā)，可以找到以下三條關(guān)聯(lián)規(guī)則：

1.income='(43758.136667-inf)'80==>age='(50.666667-inf)'save_act=YES76conf:(0.95)2.children='(-inf-1]'mortgage=YESpep=NO72==>save_act=YES65conf:(0.9)3.married=NOchildren='(-inf-1]'mortgage=NO76==>pep=YES70conf:(0.92)可以接著得到三條知識：知識②：若一個客戶年收入在4.3萬元以上，那么他必定在50歲以上，并且有儲蓄行為。支持度為80/600=13.3%，置信度=95%知識③：若客戶子女不超過1個，有貸款并且沒有個人投資計劃，那么他必然會有儲蓄行為。支持度為72/600=12%，置信度=90%知識④：若客戶未婚，子女不超過1個，且沒有貸款，那么他必然會有個人投資計劃。支持度為76/600=12.7%，置信度=92%結(jié)果分析—與收入相關(guān)在47條產(chǎn)生的規(guī)則中，有大量是關(guān)于客戶收入的規(guī)則。從以下兩條規(guī)則中可以得到較好的知識。age='(-inf-34.333333]'children='(-inf-1]'car=NO69==>income='(-inf-24386.173333]'66conf:(0.96)2.age='(-inf-34.333333]'married=YEScar=NO69==>income='(-inf-24386.173333]'66conf:(0.96)可以接著得到2條知識：知識⑤：若一個客戶年齡在34歲以下，子女不超過1個，無車，那么他的收入必定在2.4萬以下。知識⑥：若一個客戶年齡在34歲以