機器學習-關(guān)聯(lián)規(guī)則

第八章基于關(guān)聯(lián)規(guī)則的購物籃分析一、什么是關(guān)聯(lián)規(guī)則

主要是描述一組數(shù)據(jù)屬性之間的密切度或關(guān)聯(lián)程度。分析結(jié)果是一組指定商品之間關(guān)系模式的關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則是無監(jiān)督的，所以無需訓練算法和提前標識數(shù)據(jù)。如：美國沃爾瑪超市的數(shù)據(jù)分析人員在做數(shù)據(jù)分析的時候發(fā)現(xiàn)，每到周末同時購買啤酒和尿不濕的人較平時增加很多。他們對數(shù)據(jù)進行了進一步挖掘并且走訪了很多同時購買這兩樣商品的顧客，他們發(fā)現(xiàn)這些顧客有幾個共同的特點：一般是周末出現(xiàn)這種情況：

購買者以已婚男士為主他們家中有孩子且不到兩歲，有尿不濕的剛需他們喜歡看體育比賽節(jié)目，并且喜歡邊喝啤酒邊看。顧客有喝啤酒的需求周末是體育比賽扎堆的日子，所以出現(xiàn)這種關(guān)聯(lián)銷售多在周末的時候。發(fā)現(xiàn)這個秘密后，于是超市就大膽的將啤酒放在尿不濕旁邊陳列，讓這些顧客購買起來更方便。實驗結(jié)果發(fā)現(xiàn)二者的銷售量都大幅度的提升。這是一個典型的利用關(guān)聯(lián)銷售提升業(yè)績的案例。例如{花生醬，果凍}→{面包}。購買前兩種就極有可能購買面包。關(guān)聯(lián)規(guī)則總是由項集的子集組成，通過將規(guī)則左項（條件項）（LHS）的一個項集與規(guī)則右項（結(jié)果項）（RHS）的另一個項集聯(lián)系起來。LHS：表示為了觸發(fā)規(guī)則需要滿足的條件RHS：表示滿足條件后的預期結(jié)果。{花生醬，果凍}→{面包}一般，關(guān)聯(lián)規(guī)則可以應用的場景有：優(yōu)化貨架商品擺放或者優(yōu)化郵寄商品的目錄交叉銷售或者捆綁銷售搜索詞推薦或者識別異常

二、概念項：交易數(shù)據(jù)庫中的一個字段，對超市的交易來說一般是指一次交易中的一個物品，如：牛奶項集：包含若干個項的集合，一般會大于0個，如{花生醬，果凍}支持度：項集X在總項集中出現(xiàn)的概率。N：數(shù)據(jù)庫中交易次數(shù)count（X）：表示包含項集X的交易次數(shù)。置信度：交易中項或者項集X的出現(xiàn)導致項或者項集Y出現(xiàn)的比例。即在先決條件X發(fā)生的條件下，由關(guān)聯(lián)規(guī)則｛X->Y｝推出Y的概率頻繁項集：某個項集的支持度大于設(shè)定閾值（人為設(shè)定或者根據(jù)數(shù)據(jù)分布和經(jīng)驗來設(shè)定），即稱這個項集為頻繁項集。提升度（lift）：表示含有X的條件下同時含有Y的概率，與無論含不含X含有Y的概率之比。如：{慰問卡，鮮花}的支持度=3/5=0.6{鮮花}→{慰問卡}的置信度=0.6/0.8=0.75{慰問卡}→{鮮花}的置信度=0.6/0.6=1假如有一條規(guī)則：牛肉—>雞肉，那么同時購買牛肉和雞肉的顧客比例是3/7，而購買牛肉的顧客當中也購買了雞肉的顧客比例是3/4。S表示所有的顧客，而A表示買了牛肉的顧客，B表示買了雞肉的顧客，C表示既買了牛肉又買了雞肉的顧客。那么C.count/S.count=3/7，C.count/A.count=3/4。。提升度示例：1000名顧客，購買年貨，A組有500人購買茶葉，有450人購買咖啡；B組有0人購買茶葉，有450人購買咖啡。

茶葉->咖啡的支持度＝450/1000=45%茶葉->咖啡的置信度＝45%/(500/1000)=90%茶葉->咖啡的提升度＝90%／(900/1000)＝1由于lift(茶葉X->咖啡Y)＝1，所以說明X與Y相互獨立，即是否有X對于Y的出現(xiàn)沒有影響。雖然支持度和置信度都高，但它們之間沒有必然的關(guān)聯(lián)關(guān)系。滿足最小支持度和最小置信度的關(guān)聯(lián)關(guān)系叫做強關(guān)聯(lián)關(guān)系如果lift>1，叫做有效的強關(guān)聯(lián)關(guān)系，如果lift<=1，叫做無效的強關(guān)聯(lián)關(guān)系特別的如果lift（X->Y）＝1，則稱X與Y相互獨立三、Apriori算法：現(xiàn)實中，許多潛在的商品組合極少，不是一個一個地評估集合的每一個元素。例如：如一個商店同時銷售汽車產(chǎn)品和化妝品，但{機油，口紅}這兩個物品的組合就可能很少，忽略類似組合，就可以限制規(guī)則的搜索范圍，該算法采用一個簡單的先驗信念作為準則來減少關(guān)聯(lián)規(guī)則的搜索空間：一個頻繁項集（集合）的所有子集也是頻繁的。比如，如果{機油，口紅}是頻繁的，那么當且僅當機油，口紅都是頻繁的。如果只要其中一個是非頻繁的，那么任意一個含有這兩項的集合都可以從搜索中排除。使用關(guān)聯(lián)規(guī)則的過程主要包含以下三個步驟：(1）根據(jù)支持度（support），從事務集合中找出頻繁項集。(2）根據(jù)置信度（confidence），從頻繁項集中找出強關(guān)聯(lián)規(guī)則（置信度閾值需要根據(jù)實驗或者經(jīng)驗而定）（3）根據(jù)提升度（lift），從強關(guān)聯(lián)規(guī)則中篩選出有效的強關(guān)聯(lián)規(guī)則

Apriori算法的核心思想：頻繁集的子集一定是頻繁的非頻繁集的超集一定是非頻繁的創(chuàng)建規(guī)則的過程：識別所有滿足最小支持度閾值的項集。使用那些滿足最小置信度閾值的項集來創(chuàng)建規(guī)則。Apriori算法的優(yōu)缺點：優(yōu)點：能夠處理大量的事務型數(shù)據(jù)規(guī)則中的結(jié)果很容易理解對于數(shù)據(jù)挖掘和發(fā)現(xiàn)數(shù)據(jù)庫中意想不到的知識很有用。缺點：對于小的數(shù)據(jù)集不是很有用需要努力地將對數(shù)據(jù)的真實洞察和常識區(qū)分開容易從隨機模式得出虛假結(jié)論。假設(shè)我們設(shè)置得最小支持度為30%，最小自信度為60%。從上面的表中，可以得到：support(買游戲光碟→買影片光碟)=4000/10000=40%confidence(買游戲光碟→買影片光碟)=4000/6000=66%