经典购物篮分析--Apriori算法解析(一)

最新推荐文章于 2024-11-30 23:16:48 发布

原创

最新推荐文章于 2024-11-30 23:16:48 发布 · 764 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#算法

Apriori算法是经典的关联分析法，常用于购物篮分析。该算法通过两阶段找到频繁项集并生成关联规则，如在零售数据中发现"啤酒"与"尿布"的关联。支持度和置信度是评估关联规则的重要指标，而提升度则衡量了两个事务的相关性。Apriori算法在零售业有广泛应用，但目前其发展有所停滞。

Apriori算法介绍
相关性分析擅长寻找二组或多组线性变量之间的数据表现，但如果分析的多组事务不属于线性变量，而属于布尔型事务项集，就需要采取关联分析法，最典型算法就是购物篮分析。
购物篮分析算法有很多，最著名的是Apriori算法。
Apriori算法是由Agrawal和R.Srikant于1994年提出来的，是一种关联分析经典算法，至今依然是数据分析领域十大明星算法之一，可见其功能之强大。
Apriori名称来自于拉丁语，也有人写成A-priori，意思是“来自以前”，指的是根据过去频繁发生项目集合的先验知识，预测后续的事务关联关系。
Aprori算法主要用于关联规则数据挖掘，因此也被称为ARM算法（Association Rule Ming algorithms）。
Apriori算法用于寻找频繁项目集合，因此也被称为频繁模式算法（Frequent Pattern Algorithms），此处的频繁项目集合有二个含义：首先分析对象必须是频繁出现的事务项目集合（简称项集）；其次频繁出现的项集预示着事物之间存在着关联关系，具体来说，Apriori算法采取了二阶段方法（Two-Phase Methodology）：
第一阶段：找到频繁项集（Finding frequent itemsets），比如AB是ABCD、AB、ABD等项目的频繁项集。
第二阶段：根据频繁项集生成关联规则（Generating association rules），比如A=>B。
Apriori算法来自于零售超市业态，目前已经应用到银行、保险、市场营销等不同领域，并获得了巨大的成功。
但是令人遗憾的是，当前Apriori算法在零售业的应用却处于停滞状况。
Apriori算法为沃尔玛、亚马逊等国际零售巨头的营销分析提供了新思路，使这些巨头们获得了巨大的成功。
为什么Apriori算法在零售业处于停滞状态？我们在后面会详细介绍。

一、Apriori算法的基本思路
我们以超市的购物篮为例，介绍Apriori算法的基本思路及指标体系。
假定有如下五个购物篮，购物篮数据已经按照Apriori算法的要求进行了数据预处理，购物篮及其中的商品构成如下：
购物篮