说到关联分析,首先想到的就是“啤酒和尿布”的案例,那么如何发现“啤酒”和“尿布”之间的关联关系呢,就是寻找频繁项集。先来学习两个概念。
1、支持度和可信度
支持度(support)——数据集中包含该项集的记录所占的比例。
可信度(confidence)——针对一条关联规则定义,如{尿布}--->{啤酒}的可信度为“支持度({尿布,啤酒}/支持度({尿布}))”。
例如:支持度({尿布,啤酒} = 3/5,支持度({尿布})=4/5,那么可信度({尿布}--->{啤酒})=0.75,说明购买“尿布”的订单中有75%的购买了“啤酒”。
支持度和可信度是量化关系分析是否成功的方法。假设想找到支持度大于0.8的所有项集,一个办法就是生成所有可能组合的清单,然后对每一种组合统计出其频繁程度,但如果物品多时,速度会非常慢。Apriori原理则可以减少关联规则学习时的计算量。
2、Apriori原理
假设有4种商品,这些商品的组合可能只有1种,也可能是2种、3种或4种,那么所有可能的组合数为
对于有N种物品的数据集,共有种项集组合。即使只出售100种商品,也会有
种可能的项集组合,计算量非常大,更何况100种商品并不算多。
Apriori原理是指如果某个项集是频繁的,那么它的所有子集也是频繁的。反过来看,如果一个项集是非频繁的,那么它的所有超级也是非频繁的。
例如,项集{2,3}是非频繁的,那么{0,2,3},{1,2,3},{0,1,2,3}也是非频繁的,就不用计算他们的支持度了。这样就可以降低计算量。
关联分析的包括两项:发现频繁项集和发现关联关系,首先要找到频繁项集,然后从中获得关联关系。
3、使用Apriori算法发现频繁集
Apriori算法有两个输入参数,分别是最小支持度和数据集。</