开年迎接新挑战，一起学习关联规则挖掘技术

关联规则挖掘的最经典的例子就是沃尔玛的啤酒与尿布的故事。通过对超市购物篮数据进行分析，发现美国妇女们经常会叮嘱丈夫下班后为孩子买尿布，30%-40%的丈夫同时会顺便购买喜爱的啤酒，超市就把尿布和啤酒放在一起销售增加销售额。所以关联规则挖掘有时也叫购物篮分析。

要了解关联规则，就要了解什么是“经常同时购买”。这是通过支持度（support）与置信度（confidence）来衡量的。

• 支持度：support(A-->B) = |AB|/|N|

  商品A和B（如啤酒和尿布） 同时出现在同一个购物清单中的数量 / 总的购物清单数。

• 置信度：confidence(A-->B) = |AB|/|A|

  同时出现在同一个购物清单中的数量/A出现的数量。即规则A-->B的可信度。

可信度是对关联规则的准确度的衡量，支持度是对关联规则重要性的衡量。

支持度说明了这条规则在所有事务中有多大的代表性，显然支持度越大，关联规则越重要。

关联规则有很多不同的算法，下面介绍两种最经典的算法。

Apriori算法是一种对有影响的挖掘布尔关联规则频繁项集的算法，通过算法的连接和剪枝即可挖掘频繁项集。

Apriori算法将发现关联规则的过程分为两个步骤：

1. 通过迭代，检索出事务数据库中的所有频繁项集，即支持度不低于用户设定的阈值的项集；

2. 利用频繁项集构造出满足用户最小置信度的规则。

挖掘或识别出所有频繁项集是该算法的核心，占整个计算量的大部分。

FP-Growth算法通过构造一个树结构来压缩数据记录，使得挖掘频繁项集只需要扫描两次数据记录，而且该算法不需要生成候选集合，所以效率会比较高。FP-Growth算法主要步骤：

1. 利用数据集中的数据构造FP-Tree。

从空集开始，将过滤和重排序后的频繁项集依次添加到树中。

2. 从FP-Tree中挖掘频繁模式。

构建好 FPFP 树后，即可抽取频繁项目集，其思路与 Apriori 算法类似——先从单元素频繁项目集开始，然后逐步构建更大的频繁项目集。

接下来我们在WonderDM中介绍一下进行关联规则挖掘的步骤。

我们准备了某超市的一些购物篮数据。

该数据集有7个字段。根据关联规则的挖掘特性，需要选择一个事务字段和一个事项字段。不然发现，CARD_NO(卡号)字段同一卡号购买过多种不同商品，可作为事务字段，而GOODS(购买商品)字段可作为事项字段。另外，界面信息显示，该数据集有2800条购买数据，由939个客户(卡号)购买了11种不同商品，符合“经常同时购买”的特征。

接下来我们开始用数据集训练一个合适的关联规则模型。

先创建一个挖掘过程，选择关联规则FP-Growth进入挖掘过程界面。

系统内置了两种关联规则算法，他们的参数设置都一样。我们选择性能较好的FP-Growth算法。再选择“购物篮”数据集，选择CARD_NO字段为事务字段，GOODS字段为项字段，设置所有数据参与挖掘(100%抽样)。最低支持度设置为5项，最小可信度设置为40%。注意，这两个参数设置过大，可能挖掘不出关联规则，可根据实现情况调整。点击”训练模型”菜单查看训练出来的关联规则。

如上图所示，该模型挖掘到了100条关联规则。每条关联规则左边代表。

系统虽然内置了FP-Growth和Apriori两种挖掘算法，而且操作方法一样，但它们还是存在以下特点：

• Apriori算法效率较低，计算过程中需要多次扫描整个数据集，占用较多的内存和计算时间；

• FP-Growth算法效率较高，只需要扫描两次数据集，占用更少的内存和计算时间。但对于长事务(同一事务，很多事项)，会造成FP树深度过大，计算时间显著增加。

所以在选择算法时，绝大部分情况下，可以优先选择FP-Growth算法。

关联规则模型的应用同其它类型的挖掘模型，也是要先发布选择好的关联规则模型，再制作相应的模型应用用于关联规则的显示和查询。这里就不重复讲解了。