数据挖掘 第7章 关联分析：高级概念

第7章 关联分析： 高级概念

• 本章就扩展到具有二元属性、分类属性和连续属性的数据集。
• 扩充到包含 序列 和 图形
• 如何扩展传统的Apriori算法来发现这些模式

7.1 处理分类属性

• 将分类属性和对称二元属性转换成项，就可以用已有的关联规则挖掘算法；将每个不同的属性-值对创建一个新的项（即转化为非对称二元属性）来实现
• 将关联分析用于二元化后的数据时，需要考虑如下问题：
  • 合并不太频繁的属性值变成一个称作其他的类别。
  • 删除某些出现频率很高的属性；或者使用处理具有宽支持度的极差数据集的技术
  • 避免产生包含多个来自同一个属性的项的候选项集。例如：不必产生诸如{州=X，州=Y，…}的候选项集，因为该项集支持度为零。

7.2 处理连续属性

• 量化关联规则：包含连续属性的关联规则通常
• 三类方法对连续数据进行关联分析
  • 基于离散化的方法
  • 基于统计学的方法
  • 非离散化方法

7.1 基于离散化的方法

• 离散化技术：等宽、等频、聚类
• 区间宽度问题：
  • 区间太宽，缺乏置信度
  • 区间太窄，缺乏支持度
• 区间宽度解决方法：考虑邻近区间的每种可能的分组（即等步长的渐渐加大区宽），但这也导致了：
  • 计算开销非常大 —— 可以使用最大支持度阈值，防止创建对应于非常宽的区间的项，并减少项集的数量
  • 提取许多冗余规则

7.2 基于统计学的方法

• 量化关联规则可以推断总体的统计性质
• 包括规则产生和规则确认
• 规则产生：先找到需要关注的目标属性，保留目标属性，对其余的分类或连续属性非对称二元化，然后用已有算法提取频繁项集，每个频繁项集确定了一个总体，计算每个确定总体的统计量（平均数、方差等）；这样提取的量化关联规则（后件是连续的规则）不能使用置信度，那