关联分析

library(arules)
arules=apriori(data)
##前者为条件，后者为结果

##如何来度量一个规则是否够好？用两个量，置信度（confidence）和支持度（support）
#置信度表示了这个规则有多大程度上值得可信，设条件的项的集合为A，结果的集合为B，则置信度为p(B/A)
#支持度计算在所有的交易中，既有A又有B的概率。
#如何产生规则呢，可以分两步走：
首先找到频繁集

具体理论知识和规则如下：
[引用](http://www.cnblogs.com/zgw21cn/archive/2009/05/31/1492809.html)
> http://www.cnblogs.com/zgw21cn/archive/2009/05/31/1492809.html

inspect(arules)

#只保留结果中包含生存变量的关联规则

rules=apriori(data,paramrter=list(minlen=2,supp=0.005,conf=0.8),appearance=list(rhs=c().default="lhs"),control=list(verbose=F))

rules.sort=sort(rules,by="lift")

inspect(rules.sort)


##结果解释一定要慎重
##例如减少最小支持率和置信度的阀值，则看到更多的真相

rules=apriori(data,parameter=list(minlen=3,supp=0.002,cond=0.2),appearance=list(rhs=c(""),lhs=c("",""),control=list(verbose=F)))

rules.sort=sort(rules,by="confidence")
inpect(rules.sort)


##可视化

library(arulesViz)
plot(rules)

plot(rules,method="graph",control=list(type="items"))

#实例分析

library(arules)
data(Groceries)
summary(Groceries)
itemFrequencyPlot(Groceries,support=0.05,cex.names=0.8)

#求频繁项集 
fsets=eclat(Groceries,paramrter=list(support=0.05,maxlen=10))

inspect(fsets[1:10])

inspect(sort(fsets,by="support")[1:10])

rules=apriori(Groceries,parameter=list(support=0.01,conf=0.01))

#筛选规则



x = subset(rules, subset = rhs %in% "whole milk" & lift > 1.2)  #帅选规则
inspect(sort(x, by = "support")[1:5])



library(arulesViz)
plot(x)




转载网址：http://blog.163.com/yugao1986@126/blog/static/6922850820137227243744/