Python金融数据挖掘 第八章 第1节 Apriori算法原理（2）

一、目标

1、了解关联规则算法的研究对象、意义和应用场景

2、掌握支持度与置信度的概念及计算方法

3、掌握关联规则算法的项目空间集裁剪方法

4、掌握Apriori算法的原理和实现方法

二、关联规则

1、关联规则（Association Rules，AR）分析算法

用于挖掘大规模数据集中有价值、有意义的联系，是数据挖掘领域的十大算法之一。

2、用途

购物篮数据分析、商品推荐营销、电子商务推广、生物信息学研究、医疗诊断咨询和航空电信等行业

3、Apriori算法

Agrawal从数学及计算机算法角度出发，提出了商品关联关系的计算方法——Apriori算法。沃尔玛从上个世纪90年代尝试将Apriori算法引入到POS机数据分析中，获得了显著的业绩增长

三、Apriori算法基本原理中概念

1、事务与项集

（1）事务

关联规则分析研究的对象是事务，事务可以理解为一种商业行为。

事务由序号和项集组成。序号是确定一个事务的唯一标识。

（2）项目

项目可以是一种商品、一个网页链接和一个险种。

若干个项目的集合简称项集(item set)，若项集包含k个项目，则称该项集为k-项集。

（3）实例

数字代替{1：开X存、2：飞X宝、3：新X利、4：友X盈、5：安X盈}

 1、上表汇集了9个顾客的购买行为，每次购买行为称之为事务，分别用A，B，C，D，E，F，G，H，I表示。

2、第一个事务A顾客一次性购买了3个产品，其项集为：{1：开X存、2：飞X宝、5：安X盈}，是个3-项集。

3、包含：

5个2-项集、3个3-项集、1个4项集。

2、关联规则

关联规则研究的是事务集合内部的项集与项集之间的关系，这种关系有要有两种表现形式。

（1）频繁项集（Frequency Item Sets）：经常同时出现的一些项目的集合

（2）关联规则（Association Rules）：项目集合A与项目集合B之间相互依存性和关联性。如果存在A→B的蕴涵式，意味着两种项目之间存在很强的某种联系

“频繁项集”组合的项与项之间，存在着购买意向的“关联”

3、支持度和置信度

（1）支持度：衡量规则在数据库中出现的频率。（项目X和项目Y同时出现的概率）

（2）置信度：衡量规则的强弱程度。（是包含项目X的事务中同时也包含项目Y的概率，反映X出现前提下，Y出现的可能性。）

 4、最小支持度、最小置信度

（1）最小支持度：用户定义的衡量支持度的一个阈值，表示项目集在统计意义上的最低重要性。

（2）最小置信度：用户定义的衡量置信度的一个阈值，表示关联规则的最低可靠性。

同时满足最小支持度阈值和最小置信度阈值的规则称作强规则

四、关联规则算法的基本流程

1、找出所有出现过的产品项（候选单项集）；

2、将这些产品项的所有可能组合列出来（候选单项集，若干候选单项集组合形成的候选2-项集、3-项集……）；

3、在顾客的购买清单中，逐一对这些组合进行匹配（候选项集是否是某位顾客购买清单项中的子集，如果是，该候选项集的支持度加1；

4、将大于事先设置好的支持度阈值的候选项集列出，计算其置信度。 

五、项目集格空间理论的两条定理

1、定理1：频繁项目集的所有子集仍是频繁项目集

2、定理2：非频繁项目集的所有超集是非频繁项目集

借助项目集格空间理论，可以显著减少待搜索匹配的候选项集。

六、算法流程图

七、根据生成的频繁项集进行规则提取：

1、对于频繁2项集中的频繁项(X,Y)，分别根据项X、项Y和项(X,Y)的支持度（就是它们出现的次数）计算

满足最小置信度要求的即为一条关联规则。

2、对于频繁k(k>2)项集中的频繁项，每一项可以划分为2个子集：第1个子集是其中的频繁单项集、2项集……，第2个子集是剩下的项集。计算这2个子集的置信度。满足最小置信度要求的即为一条关联规则。对每一项穷尽所有可能的划分，最后得到所有的关联规则。