项与项集:项是指分析数据中的一个对象(物品);项集是若干项构成的集合;
支持度:某(些)项集在数据集中出现的概率(包含物品甲的记录数量 /总的记录数量),体现某物品当前的流行程度;
置信度:关联规则{甲->乙}的置信度是指项集A发生,则项集B发生的概率(包含物品甲和乙的记录数量 / 包含甲的记录数量),体现关联规则的可靠程度(A发生时,B有大概率也会发生);
提升度:指项集A发生的条件下,同时项集B发生的概率,与项集B发生的概率之比,即关联规则{甲->乙}的置信度/乙的支持度,体现应用关联规则相对不应用关联规则的变化;若提升度大于1,说明该关联规则有正向价值;若提升度等于1则意味着物品甲和乙间没有关联;若提升度小于1那么意味着购买甲反而会减少乙的销量。
最小支持度:(用户/专家经验定义)表示项集在统计意义上的最低重要性,即项集需要达到一定的频繁/流行程度;
最小置信度:(用户/专家经验定义)表示关联规则的最低可靠性;
强关联规则:达到最小支持度阈值和最小置信度阈值;
有效的强关联规则:提升度大于1的强关联规则。
Apriori
两个定理
- 如果一个项集是频繁的,那么其所有子集也一定是频繁的。 这个比较容易证明,因为某项集的子集的支持度一定不小于该项集;
- 如果一个项集是非频繁的,那么其所有的超集也一定是非频繁的。
步骤
- 寻找频繁项集(筛选满足最小支持度的频繁项集):apriori根据如上定义,进行阈值判断并对搜索进行剪枝;
- 从频繁项集中生成关联规则(筛选满足最小置信度的强规则):将每个频繁项集拆分成两个非空子集;同样apriori根据如上定义,进行阈值判断并对搜索进行剪枝。
Reference
关联分析算法的Apriori算法和FP-growth算法初探