arules：频繁项集与关联规则的挖掘

概述

本文是对R中arules包的随包文档“Introduction to arules – A computational environment for mining association rules and frequent item sets”的意译。源文档采用R Markdown撰写，并按如下流程生成本页面：

重要词语英汉对照表：

英文	汉译
support	支持度
confidence	置信度
lift	提升度
interestingness	兴趣度
transaction	事务
item	项
superset	超集
subset	子集
itemset／item set	项集
association	关联信息
association rule	关联规则
frequent itemset	频繁项集
maximal frequent itemset	最大频繁项集
frequent closed itemset	频繁闭项集
sample with replacement	放回抽样

基础知识

基本定义

---

• $\mathcal I=\{i_1, i_2,\ldots, i_n\}$：$n$个二值属性项（item）构成的集合。
• $\mathcal D=\{t_1,t_2,\ldots,t_m\}$：$m$个事务构成的集合，称为数据库（database），每个事务拥有唯一的ID并包含$\mathcal I$的一个子集。
• $X\rightarrow Y$：表示规则（rule），其中$X,Y\subseteq I$并且$X\cap Y=\emptyset$，项集（itemset）$X$和$Y$分别称为规则的前提（antecedent）和结论（consequent），或者分别称为左手边（LHS，left-hand-side）和右手边（RHS，right-hand-side）。
• $supp(X)$：项集$X$的支持度，$conf(X\rightarrow Y)$：规则$X\rightarrow Y$的置信度1。

频繁项集与关联规则的挖掘是一种流行的并经过深入研究的方法，用于发现大规模数据库中变量之间的有趣关系。本文展示了R的arules包，它提供了一种基本工具，用于创建和处理输入数据集，分析输出数据集和输出规则。该包还提供了调用两种快速挖掘算法的接口，它们是Apriori和Eclat算法的流行的C语言版本，由Christian Borgelt实现。这些算法可用于挖掘频繁项集、最大频繁项集、闭频繁项集以及关联规则。

Piatetsky-Shapiro利用不同兴趣度度量，分析和表示从数据库发现的强规则。Agrawal等在强规则的基础上，提出了从事务数据中挖掘关联规则的问题。以超市为例，交易数据集中的规则$\{milk, bread\}\rightarrow\{butter\}$表示：若顾客购买了$milk$和$bread$，也会购买$butter$。

为了从包含所有可能规则的集合中抽取出感兴趣的规则，可以利用基于各种显著性和兴趣度的度量作为约束条件。最著名约束条件就是支持度和置信度的最小阈值。

发现频繁项集（frequent itemset）可视为非监督学习问题的一种简化形式，称之为模型发现（mode finding）或块搜索（bump hunting）。在这些问题中，每个项视为一个变量。它们的目标是找到模型值（prototype value），使得概率密度估值在取这些值时足够大。然而，对于变量众多的实际应用，概率估计不一定可靠，且计算太复杂。这就是在实际应用中用频繁项集代替概率估计的原因。置信度可解释为概率$P(Y\|X)$的一种估计，它表示事务包含规则的LHS时，从事务中找到规则的RHS的概率。

关联规则（association rule）需要同时满足最小支持度和最小置信度的约束。在支持度的中间值到最低值范围内，通常可从数据库找出大量的频繁项集。支持度的定义保证了频繁项集的所有子集也必是频繁的。因此，只挖掘所有的最大频繁项集（maximal frequent itemset）就够了，这些频繁项集不是其它任何频繁项集的子集。另一种减少挖掘项集数目的方法是只挖掘频繁闭项集（frequent closed itemset）2。若包含项集的所有事务都不包含与该项集相适的超集，则称该项集是闭的。频繁闭项集是最大频繁项集的一个超集（superset）。最大频繁项集的优势不仅在于它可生成所有的频繁项集，而且它们还包含了所有频繁项集的支持度信息，这些信息在数据挖掘过程完成后，对计算额外的兴趣度量（interest measure）起着至关重要的作用（例如，计算所得项集生成的规则的置信度、全置信度）。

当挖掘到过多满足支持度和置信度约束的关联规则时，解决该问题切实可行的方法是利用额外的兴趣度量，进一步过滤或排列这些规则。基于此的一个流行度量是提升度（lift）。规则的提升度定义为

lift(X→Y)=supp(X∪Y)