机器学习 - 关联分析 Association Analysis（学习笔记）

corina_qin

已于 2022-02-24 23:01:03 修改

阅读量1k

点赞数

分类专栏：机器学习学习笔记文章标签：机器学习

于 2022-02-23 20:55:47 首次发布

本文链接：https://blog.csdn.net/m0_65392155/article/details/123097353

版权

本文介绍了关联分析在餐饮、搜索引擎推荐和新闻趋势分析中的应用。关联规则如{a} -> {b}，支持度、置信度和提升度是关键指标。Apriori算法通过连接和剪枝找到频繁项集，而FP-Growth算法避免生成候选集，仅需扫描数据集两次，构建FP树来挖掘频繁项集。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

应用举例：餐饮企业菜品搭配；搜索引擎内容的推荐；新闻流行趋势的分析。

TID	ITEMS
001	Cola, Egg, Ham
002	Cola, Diaper, Beer
003	Cola, Diaper, Beer, Ham
004	Diaper, Beer

事务：一条数据；项：Egg 一项；项集 {Egg, Ham} 2-项集

关联规则(association rule)： {a} -> {b}。{a}叫做前件，{b}叫做后件。

支持度计数：商品总和出现的次数。{Diaper, Beer}出现在事务 002、003和004中，所以它的支持度计数是3

支持度(support)：支持度计数／总的事务数。{Diaper, Beer}的支持度计数为3，所以它的支持度是3/4=75%，说明有75%的人同时买了Diaper和Beer。主要作用是删去无意义的规则。

置信度(confidence)：对于规则{Diaper}→{Beer}，{Diaper, Beer}的支持度计数／{Diaper}的支持度计数，为这个规则的置信度。例如规则{Diaper}→{Beer}的置信度为3÷3=100%。说明买了Diaper的人100%也买了Beer。置信度衡量推出的规则的可靠性。

提升度：商品A的出现对商品B的出现概率提升的程度。

提升度(A->B) = 置信度(A->B)／支持度(B)

提升度(A->B) > 1：代表有提升

提升度(A->B) = 1：代表没有提升也没有下降

提升度(A->B) < 1：代表有下降

频繁项集