市场研究中的数据分析知识整理（八）-关联法则

最新推荐文章于 2024-05-31 16:54:13 发布

pauke

最新推荐文章于 2024-05-31 16:54:13 发布

阅读量978

点赞数

CC 4.0 BY-SA版权

分类专栏： anders 文章标签：数据分析市场 r语言

本文链接：https://blog.youkuaiyun.com/u014531714/article/details/77061404

本文详细介绍了关联法则在市场研究中的应用，包括支持度、置信度和提升度的概念。通过实例展示了如何从小票数据、零售数据和非交易数据中探索和可视化关联法则。例如，在零售数据中发现购买'whole milk, curd'时，购买'yogurt'的概率显著增加。同时，还探讨了如何利用关联法则发现不同变量间的关联性，例如在客户分组数据集中找到特定人群特征的关联群体。" 132264186,19671515,Rancher与Helm实战：部署Harbor私有Registry,"['rancher', '容器管理', 'Kubernetes', 'Helm', 'Docker']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

关联法则

关联法则的度量包括：
支持度（support），的含有该集合的交易占总交易的占比。元素集合出现要相对频繁。
置信度（confidence），出现A商品的同时，出现B商品的概率。存在强关系
提升度（lift），某一组合出现的概率是其中各个商品单独出现频率预期的倍数。出现频率超过偶然现象。

小票数据

数据导入

library(arules)
data("Groceries")
summary(Groceries)
inspect(some(Groceries,5))

结果输出：

    items                  
[1] {UHT-milk,             
     domestic eggs,        
     brown bread,          
     coffee,               
     soda,                 
     canned beer,          
     liquor (appetizer),   
     newspapers}           
[2] {brown bread,          
     margarine}            
[3] {fruit/vegetable juice,
     waffles}              
[4] {butter milk,          
     coffee}               
[5] {frozen meals}

可以看到关联法则所针对的数据结构就是这种不是矩阵化的数据，其中，每个「{}」代表一条交易，每条包含的内容数量是有差异。

探索关联法则


ar <- apriori(Groceries,parameter = list(supp=0.01,conf=0.3,target = "rules"))# 根据具体的数据和业务需求调整supp和conf。
inspect(subset(ar,lift > 2.5))

结果输出：

  #Apriori结果

Parameter specification:
 confidence minval smax arem  aval originalSupport maxtime support minlen maxlen target   ext
        0.3    0.1    1 none FALSE            TRUE       5    0.01      1     10  rules FALSE

Algorithmic control:
 filter tree heap memopt load sort verbose
    0.1 TRUE TRUE  FALSE TRUE    2    TRUE

Absolute minimum support count: 98 

set item appearances ...[0 item(s)] done [0.00s].
set transactions ...[169 item(s), 9835 transaction(s)] done [0.00s].
sorting and recoding items ... [88 item(s)] done [0.00s].
creating transaction tree ... done [0.00s].
checking subsets of size 1 2 3 4 done [0.00s].
writing ... [125 rule(s)] done [0.00s].
creating S4 object  ... done [0.00s].