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