天池比赛-02-用Apriori算法进行商品关联分析

  这篇文章是对天池比赛里面的商品关联分析案例的介绍，采用 Apriori 算法发现频繁项集，确定关联关系。

1、基本概念

1.1 关联分析相关概念

  频繁项集和关联规则是关联分析中的两个基本概念：频繁项集（frequent item sets）是经常出现在一块的物品的集合，关联规则（association rules）暗示两种物品之间可能存在很强的关系。
  关联分析中采用 支持度 去筛选出频繁项集：一个项集的支持度（support）被定义为数据集中包含该项集的记录所占的比例。从下边 图1 中可以得到，{豆奶}的支持度为4/5。而在5条交易记录中有3条包含{豆奶，尿布}，因此{豆奶，尿布}的支持度为3/5。支持度是针对项集来说的，因此可以定义一个最小支持度，而只保留满足最小支持度的项集。
  关联分析中采用 可信度/置信度 去找出关联规则，可信度/置信度（confidence）是针对一条诸如{尿布} ➞ {葡萄酒}的关联规则来定义的。这条规则的可信度被定义为“支持度（{尿布，葡萄酒}）/支持度（{尿布}）”。从下边 图1 中可以看到，由于{尿布，葡萄酒}的支持度为3/5，尿布的支持度为4/5，所以“尿布 ➞ 葡萄酒”的可信度为3/4=0.75。这意味着对于包含“尿布”的所有记录，我们的规则对其中75%的记录都适用。

1.2 Apriori 算法简介

  Apriori 原理是说如果某个项集是频繁的，那么它的所有子集也是频繁的。对于下边 图2 给出的例子，这意味着如果{0,1}是频繁的，那么{0}、{1}也一定是频繁的。这个原理直观上并没有什么帮助，但是如果反过来看就有用了，也就是说 如果一个项集是非频繁集，那么它的所有超集也是非频繁的。如下边的 图2 ，其中 3 是非频繁的，那么 3 的超集 0 3，1 3，2 3， 0 1 3，0 2 3，1 2 3， 0 1 2 3 也是非频繁的。

2、赛题

  这个比赛的题目来自于天池的教学赛（https://tianchi.aliyun.com/competition/entrance/531891/information），赛题以购物篮分析为背景，要求选手对品牌的历史订单数据，挖掘频繁项集与关联规则。通过这道赛题，鼓励学习者利用订单数据，为企业提供销售策略，产品关联组合，为企业提升销量的同时，也为消费者提供更适合的商品推荐。