数据挖掘——序列

数据挖掘技术一般用于检测数据中的序列或模式。本章中，我们将试图使数据遵循一种模式，在此模式中，一个或一系列事件可以通过一致的方式预测另一个数据点。

本文描述了在数据集中查找模式的不同方法：

• 查找模式
• 在数据中查找模式
• 约束条件

我们可以在很多较大的数据集中查找模式。这涵盖了很多区域，比如混合人口的变化、使用手机的频率、高速公路质量衰退、年龄因素造成的事故等。不过我们能明确地感受到，有很多模式和序列正等待我们去发现。

我们可以通过使用R编程中的一些工具找到这些模式。大多数模式因约束条件而在一定程度上受到限制，如序列的有用时间。

1　模式

我们来回顾一下确定数据中模式的方法：

模 型 类 别	模型如何工作
eclat	此模型用于项集模式检测，其中购物车最为常见
arules	此模型确定数据集中的项目共现
apriori	此模型学习数据集中的关联规则
TraMineR	这是一个用于挖掘序列的R功能包

1.1　Eclat

Eclat算法用于频繁项集的挖掘。这种情况下，我们寻找行为相似的模式，与之相对的是寻找不规则模式（与处理其他数据挖掘的方法类似）。

Algorithm通过数据中的交集来估算同时频繁出现事件候选项（如购物车项目）的支持度。然后通过对频繁候选项进行测试来证实数据集中的模式。

1．用法

在R编程中使用Eclat就是使用arules功能包中的eclat函数。使用Eclat算法的R编程遵循了此处提出的约定：

> eclat(data,
  parameter = NULL,
  control = NULL)

下表对eclat函数的不同参数进行了说明：

参　　数	描　　述
data	待分析的数据矩阵
parameter	ECParameter或列表的对象
control	ECControl或列表的对象

常见的ECParameter如下所示：

参　　数	描　　述
support	此参数界定了一个项集的最小支持度（默认值为0.1）
minlen	此参数包含了一个项集的最小容量（默认值为1）
maxlen	此参数包含了一个项集的最大容量（默认值为10）
target	此参数界定了待挖掘关联项集的类型： ● 频繁项集 ● 最频繁项集 ● 频繁闭项集

ECControl常见值如下所示：

参　　数	描　　述
sort	此参数为下列数值之一： ● 1代表升序 ● -1代表降序 ● 0代表未分类 ● 2代表升序 ● -2代表事务容量和的降序
verbose	此参数显示进度信息

调用eclat函数返回数据中出现的频繁项集。

Eclat的实施包括成年人数据集。成年人数据集包括人口统计局数据中约50000行的数据。

2．使用eclat找到成年人行为的相似点

使用下列代码找到成年人行为的相似点：

> library("arules")
> data("Adult")
> dim(Adult)
[1] 48842  115
> summary(Adult)
transactions as itemMatrix in sparse format with
  48842 rows (elements/itemsets/transactions) and
  115 columns (items) and a density of 0.1089939
most frequent items:
capital-loss=None                capital-gain=None
46560                            44807
native-country=United-States race=White
43832                           41762
workclass=Private              (Other)
33906                           401333

element (itemset/transaction) length distribution:
sizes
    9     10        11         12              13
   19     971     2067     15623         30162

   Min. 1st Qu. Median Mean 3rd Qu. Max
  9.00         100     13.00     153     13.00     13.00

includes extended item information - examples:
               labels variables        levels
1            age=Young             age        Young
2     age=Middle-aged         age Middle-aged
3          age=Senior             age       Senior

includes extended transaction information - examples:
   transactionID
1                 1
2                 2
3                 3

检查最终结果时，我们会注意到以下细节：

• 摘要共48842行，115列。
• 已列出常见项目：白种人。
• 有很多描述符，如age=Young。

3．查找数据集中的频繁项目

处理数据集时，通过下列代码挖掘出现的频繁项集：

> data("Adult")
> itemsets <- eclat(Adult)
parameter specification:
  tidLists support minlenmaxlen         target     ext
      FALSE         0.1         1     10 frequent itemsets FALSE
algorithmic control:
sparse sort verbose
      7   -2     TRUE
eclat - find frequent item sets with the eclat algorithm
version 6 (2004.08.16)     (c) 2002-2004     Christian Borgelt
createitemset ...
set transactions ...[115 item(s), 48842 transaction(s)] done [0.03s].
sorting and recoding items ... [31 item(s)] done [0.00s].
creating bit matrix ... [31 row(s), 48842 column(s)] done [0.02s].
writing ...     [2616 set(s)] done [0.00s].
Creating S4 object ...     done [0.00s].

默认值已发现2616个频繁集合。如果我们寻找前五个集合，将会看到下列输出数据：

> itemsets.sorted <- sort(itemsets)
> itemsets.sorted[1:5]
  items                                    support
1 {capital-loss=None}                 0.9532779
2 {capital-gain=None}                 0.9173867
3 {native-country=United-States}    0.8974243
4 {capital-gain=None,
   capital-loss=None}                 0.8706646
5 {race=White}                         0.8550428

以下是对之前输出数据的研究所得：

• 普查数据中的大多数人未要求资本损失或资本利得（这种财政税收事件并非正常状态）。
• 大多数人来自美国。
• 大多数是白种人。

4．集中于最高频率的示例

为了进一步证实数据，我们可以将范围缩减至数据集中出现的最高频率（可以通过调节minlen参数直至处理完一项集合来实现操作）：

> itemsets <- eclat(Adult, parameter=list(minlen=9))
> inspect(itemsets)
  items                                     support
1 {age=Middle-aged,
   workclass=Private,
   marital-status=Married-civ-spouse,
   relationship=Husband,
   race=White,
   sex=Male,
   capital-gain=None,
   capital-loss=None,
   native-country=United-States}         0.1056673

按照预期，由一位美国本土且拥有工作的已婚男士填写普查数据表格。

1.2　arulesNBMiner

在R中，arulesNBMiner是一个功能包，用于寻找一个集合中两个或两个以上项目的共现。底层模型，即负二项式模型，允许高度偏态次数分配，否则会很难确定最小项集容量。我们在正被挖掘的较大数据集中寻找频繁数据集。当确定使用arulesNBMiner时，您应该看到一些迹象：项目集频率正出现在数据子集合中。

1．用法

将arulesNBMiner作为功能包进行操作，并且必须将此功能包安装于您的R编程环境中。可以通过使用任意数据集来学习如何使用模型/函数中包含的工具，如下所示：

> results <-NBMiner(data, parameter, control = NULL)

下表对NBMiner函数的不同参数进行了说明：

参　　数	描　　述
data	待分析的数据矩阵
parameter	参数列表（自动转换为NBMinerParameters的对象）
control	使用的控制列表（自动转换为NBMinerControl的对象），目前仅verbose和调试逻辑可用

NBMinerParameters是用于调用NBMiner的参数块，其架构如下所示：

NBMinerParameters(data, trim = 0.01, pi = 0.99,
  theta = 0.5, minlen = 1, maxlen = 5, rules = FALSE,
  plot = FALSE, verbose = FALSE, getdata = FALSE)

NBMinerParameters的数值如下所示：

参　　数	描　　述
data	事务
trim	从数据频率分布尾数修剪的分数
pi