关联规则的支持度,置信度,提升度

最新推荐文章于 2024-10-21 22:26:52 发布

ROOOOOOM

最新推荐文章于 2024-10-21 22:26:52 发布

阅读量5k

点赞数 2

分类专栏： Data Mining

本文链接：https://blog.csdn.net/qq_41228218/article/details/102663522

版权

Data Mining 专栏收录该内容

5 篇文章

订阅专栏

                    
                    支持度
 体现数据的重要性
 支持度是个百分比，它指的是某个商品组合出现的次数与总次数之间的比例。支持度越高，代表这个组合出现的频率越大。
置信度
 体现数据的可靠性
 它指的就是当你购买了商品A，会有多大的概率购买商品B，
 所以说置信度是个条件概念，就是说在A发生的情况下，B发生的概率是多少。
提升度(是关联规则的价值衡量)
 客观上，使用"支持度和置信度"框架可能会产生一些不正确的规则。只凭支持度和置信度阑值未必总能找出符合实际的规则,所以引出提升度
  
           Lift 
          
           ⁡ 
          
           ( 
          
           A 
          
           → 
          
           B 
          
           ) 
          
           = 
          
            Confidence  
          
           ( 
          
           A 
          
           → 
          
           B 
          
           ) 
          
           / 
          
            Support(B)  
          
           = 
          
             P 
            
             ( 
            
             A 
            
             B 
            
             ) 
            
             p 
            
             ( 
            
             A 
            
             ) 
            
             p 
            
             ( 
            
             B 
            
             ) 
            
          \operatorname{Lift}(A \rightarrow B)=\text { Confidence }(A \rightarrow B) / \text { Support(B) }=\frac{P(A B)}{p(A) p(B)} 
         
      Lift(A→B)= Confidence (A→B)/ Support(B) =p(A)p(B)P(AB)​
 商品推荐重点考虑的是提升度，因为提升度代表的是“商品A的出现，对商品B的出现概率提升的”程度。
 引入提升度Li筒，以度量此规则是否可用。它描述的是=相对
 于不用规则，使用规则可以提高多少 
  所以提升度有三种可能： 
    提升度(A→B)>1：代表有提升；
提升度(A→B)=1：代表有没有提升，也没有下降；
提升度(A→B)<1：代表有下降