关联规则用于发现购物篮分析中的隐藏模式，如尿布与啤酒的关系。Apriori是最经典的关联规则算法，通过支持度和置信度筛选规则。FP-growth和Eclat则是更高效的替代算法。应用场景包括推荐系统、库存管理和商品布局设计。关联规则挖掘算法在电子商务推荐和市场策略中有广泛应用。
1. 算法简介
关联规则最初提出的动机是针对购物篮分析(Market Basket Analysis)问题提出的。1993年，Agrawal等人在首先提出关联规则概念，同时给出了相应的挖掘算法AIS，但是性能较差。1994年，他们建立了项目集格空间理论，并依据上述两个定理，提出了著名的Apriori算法，至今Apriori仍然作为关联规则挖掘的经典算法被广泛讨论，以后诸多的研究人员对关联规则的挖掘问题进行了大量的研究。
假定你是AllElectronics的销售经理，当有顾客买了PC和数码相机时，你会向他推荐什么产品？你会考虑哪些问题？
这就是关联规则要回答的问题。
1.1 基本概念
- 关联规则的分类
1.按处理的变量
布林型：买啤酒=>买尿布
数值型：月收入5000元=>每月交通费800元
2.按资料的抽象层次
单层关联规则： IBM台式机=>Sony打印机，一个细节数据上的单层关联规则
多层关联规则：台式机=>Sony打印机，较高和细节层次之间的多层关联规则
3.按涉及到的资料维数
单维关联规则：啤酒=>尿布，只涉及到用户的购买的物品
多维关联规则：性别=”女”=>职业=”秘书”，涉及到两个字段的信息
- 三个度
关联规则的计算主要计算三个度
支持度support
置信度confidence
提升度lift
以一
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
