31、关联规则元模式的发现与优化

关联规则元模式的发现与优化

在数据挖掘领域，关联规则挖掘是一项重要的任务，它旨在从数据集中发现不同项目之间的关联关系。然而，要制定一个能产生令人满意规则集的元模式并非易事。本文将深入探讨关联规则元模式的相关特性、属性选择方法以及最小支持度和置信度的确定，帮助用户更好地进行关联规则挖掘。

1. 关联规则集的特性

1.1 规则集的产生

在关联规则挖掘中，我们关注的是单个客户频繁一起购买的商品组合。规则被认为是相关的，需要满足至少 18%的客户适用（最小支持度 s = 0.18），并且其条件概率至少为 50%（最小置信度 c = 0.5）。通过特定的元模式，可以生成如图 1.b 所示的规则集。

1.2 规则集的属性

• 命题 1 ：对于应用于数据集 T 的关联规则元模式 p = ，设 gi 是数据集 T 按分组属性 g 划分的组，R 是由 p 提取的关联规则集。则 R 中规则大小的上限是 T 中最大组的基数，即 max r∈R(size(r)) ≤ max(|gi|)。
• 定理 1 ：若在表 T 中分组属性 g 和规则属性 m 之间存在函数依赖 g → m，那么将元模式 p 应用于 T 的实例会产生一个空的规则集 R。
• 定理 2 ：若在表 T 中 p.g 和 p.m 之间存在函数依赖 m → g，要获得非空规则集 R 的最高最小支持度是 s = 1/G。

2. 优质规则集的质量因素

用户在分析数据集时，需要制定元模