20、市场篮分析与热点分析：数据挖掘的实用指南

市场篮分析与热点分析：数据挖掘的实用指南

1. 市场篮分析中的关联规则

1.1 关联规则学习概述

关联规则学习是一种机器学习模型，旨在挖掘交易数据中隐藏的模式，也就是描述零售商客户购物习惯的关系。举例来说，对于频繁项集 {牛奶, 面包}，可以形成两条关联规则：牛奶 → 面包和面包 → 牛奶。在关联规则中，第一个项集称为前件，第二个项集称为后件。确定关联规则后，就可以计算之前讨论过的所有指标，以评估关联规则的有效性，进而决定是否能在决策过程中运用这些规则。

关联规则的建立基于支持度和置信度。支持度用于识别哪些项集是频繁出现的，而置信度则衡量特定规则的真实频率。通常，置信度被视为衡量规则是否有趣的指标，因为它决定了是否应该形成关联。因此，建立关联规则是一个两步过程：首先识别频繁数据集，然后评估候选关联规则的置信度，如果该置信度值超过某个任意阈值，就得到了一条关联规则。

1.2 虚假关联问题

关联规则学习的一个主要问题是发现虚假关联。由于可能的规则数量巨大，虚假关联很可能出现。虚假关联是指在数据中以惊人的规律性出现，但实际上完全是偶然发生的关联。例如，假设有 100 个候选规则，在 0.05 的显著性水平下进行独立性统计检验，仍有 5% 的概率会发现实际上不存在的关联。如果将候选规则列表扩展到数百万甚至数十亿，那么这 5% 的比例将意味着大量的关联。虽然有一些技术可以解决虚假关联问题，但它们既没有在常用的关联规则库中得到一致应用，也不在本文讨论范围内。

1.3 在线零售数据集的关联规则推导实践

1.3.1 练习 45：推导关联规则

以下是具体的操作步骤：
1.