聚类和关联规则发现

聚类都有两个前提：距离相近的实体更有可能是同一个类；A与B相似，B与C相似，则A与C相似的可能性很大。所以，在聚类算法中，距离的定义至关重要。

考虑一下购物篮分析，试着给商品聚类。所知道的信息只有某些商品同时被买的记录，这也是关联规则发现所需要的最基本的信息。

可以根据A和B出现在同一购物篮中的频率来定义距离，频率越高，则距离越小。

人的生活包含吃喝嫖赌，去商场买东西，是要满足这些各个需求的，吃和喝，喝和嫖，嫖和赌一起出现的可能性很高，最终很有可能聚聚成一个大类。

能聚类的不仅要有聚集性，还要有可分性，类内距离小，类间距离大。

聚类还应该有一些假设：数据由多个混合分布产生的。比如，k均值算法在数据为多个高斯混合分布的时候，会表现很好，聚类中心接近高斯分布中心。

但是购物篮应该服从什么分布呢？

假设人购物的需求来自四种类别：吃喝嫖赌。因为吃而购买吃的东西的可能性很大，购买其他的可能性很小，这个分布很高斯。

但是问题是购物行为并不是由一种类别驱动的，即一个人想吃又想喝，购物篮就表现为吃喝共同影响的结果，并非某一个类别分布影响的结果。

联想到此前谈到的朴素贝叶斯算法的第二个假设：数据由一个分布产生（web数据挖掘原文92页是：There is one-to-one correspondence between mixture components and document classes，这个定义是关于文本挖掘的，不知道怎么翻译）。购物篮分析并不符合第二个假设，所以购物篮不适合聚类和分类。

关联规则分析相对聚类算法，假设少，所以推广泛化能力很弱，或者说根本没有泛化能力，只是根据历史数据总结一些规则，历史中没有出现的东西，关联规则无能为力，比如某一商品没有被买过，关联规则算法不会得到关于此商品的结论。

关联规则就在于发现规则，聚类在此或许就没有意义，因为商品的类别很清楚明白，不过聚类可以用在顾客集合上，距离也要重新定义了。

边想边写，思路不是很整齐啊！