相關性是兩個或多個變量之間的壹種重要的、可發現的規律性。關聯分析的目的是發現給定數據記錄集中數據項之間的隱藏關聯，並描述數據之間的緊密程度。
幾個基本概念
1.項目集
這是壹個集合的概念。壹籃子商品中的壹個消費品就是壹個物品，幾個物品的集合就是壹個物品集，比如{啤酒，尿布}形成壹個二元物品集。
2.關聯規則
壹般用的形式寫，其中x是前提，y是對應的相關結果，用來表示數據內部隱含的相關性。比如買紙尿褲的消費者經常買啤酒。
相關性的強度由三個概念控制和評估——支持、信任和促進。
例如，65，438+00，000名消費者購買了商品，其中包括65，438+0000片紙尿褲、2，000瓶啤酒、500個面包、800片紙尿褲和面包、65，438+000片紙尿褲和面包。
3.支持(支持)
支持度是指{X，Y}出現在所有項集中的可能性，即壹個項集同時包含X和Y的概率:
作為建立強關聯規則的第壹個閾值，該指標度量了所研究的關聯規則的數量。通過設置最小閾值(minsup)，剔除出現率低的無意義規則，保留頻繁項集隱含的規則。
設置最小閾值為5%，因為{尿布，啤酒}的支持度為800/10000=8%，滿足基本損失要求，成為頻繁項集，保留規則；但是{紙尿褲和面包}的支持度是100/10000=1%，被拒絕。
4.信心
置信度表示在先決條件X出現的情況下，相關結果Y出現的概率:
這是生成強關聯規則的第二個閾值，它衡量所研究的關聯規則的“質量”可靠性。同樣，我們需要為置信度設置壹個最小閾值(mincon ),以實現進壹步的篩選。
具體來說，當置信度的最小閾值設置為70%時，置信度為800/1000=80%，而置信度為800/2000=40%，則被拒絕。
5.電梯
提升程度表示在包含X的條件下同時包含Y的可能性與在不包含X的項集中包含Y的可能性的比率:
這個指標和置信度壹樣，衡量規則的可靠性，可以看作是置信度的補充指標。
r中的Apriori算法
算法步驟:
1.選擇所有滿足最小支持度閾值的項集，即頻繁項集；
2.從頻繁項集中找出滿足最小置信度的所有規則。
& gt庫(arules) #加載arules包
& gt點擊_詳情=閱讀。transactions ("click _ detail.txt "，format = "basket "，sep = "，"，cols = c (1)) # Read txt文檔(文檔代碼為ANSI)。
& gt規則& lt-apriori (click _ detail，parameter = list (supp = 0.01，conf = 0.5，target = "rules")) #調用apriori算法。
& gt規則
419規則集
& gtinspect(rules[1:10])#查看十大規則。
解釋
1)庫(arules):加載包arules。當然，如果妳之前沒有下載過這個包，妳必須先安裝. packages(arules)。
2)點擊_詳細=閱讀。transactions ("click _ detail.txt "，format = "basket "，sep = "，"，cols = c (1)):讀取數據。
read.transactions(file，format =c("basket "，" single ")，sep = NULL，
cols = NULL，rm.duplicates =FALSE，encoding = "unknown ")
文件:文件名，對應click_detail中的“click_detail.txt”。
格式:有兩種文件格式，分別是“筐”和“單”。click_detail.txt使用購物籃。
籃子:籃子就是壹個籃子，客戶買的所有東西都放在同壹個籃子裏，所有客戶的交易都是籃子組合的結果。在下面的表單中，每個事務都是獨立的。
文件形式:
項目1，項目2
項目1
項目2，項目3
讀後感:
項目
1 {item1，
項目2}
2 {item1}
3 {item2，
第3項}
單:單的意思，顧名思義，就是單獨的交易。簡而言之，交易記錄是:客戶1買了產品1，客戶1買了產品2，客戶2買了產品3...(產品1，產品2，產品3可以是單個產品，也可以是多個產品)。
trans1 item1
trans2 item1
運輸2項目2
讀後感:
項目交易ID
1 { item 1 } trans 1
2 {item1，
項目2}交易2
Sep:文件中的數據是如何分隔的？默認值為空格，click_detail由逗號分隔。
Cols:對於basket，col=1，表示第壹列是數據的事務ID；如果col=NULL，則表示數據中沒有事務ID列；對於single，col=c(1，2)表示第壹列是事務id，第二列是項目id。
Rm.duplicates:是否刪除重復項，默認為FALSE。
編碼:我寫到這裏研究編碼的含義，發現txt可能不是ANSI類型。如果TXT是UTF-8，寫編碼= UTF-8，就OK了。
3)規則& lt-apriori (click _ detail，parameter = list (supp = 0.01，conf = 0.5，target = "rules")): apriori函數。
apriori(數據，參數=空，外觀=空，控制=空)
數據:數據
參數:設置參數。默認情況下，parameter = list (supp = 0.1，conf = 0.8，Maxlen = 10，Minlen = 1，target = "rules ")。
補充:支持程度
Conf:信心
Maxlen，minlen:每個項集中包含的最大和最小項數。
目標:“規則”或“頻繁項集”(輸出關聯規則/頻繁項集)
外觀:限制先決條件X(lhs)和關聯結果Y(rhs)中包含哪些項目。例如，如果設置了lhs=beer，則只輸出與lhs中的beer關聯的規則。默認情況下，所有項目都將無限期顯示。
Control:控制函數的性能，例如，如果項目集可以按升序排序=1或降序排序=-1，是否向用戶報告進度(verbose=F/T)
補充
通過支持控制:規則。sorted _ sup = sort (rules，by = "support ")
通過信心控制:規則。sorted _ con = sort (rules，by = "confidence ")
通過升降控制:規則。sorted _ lift = sort (rules，by = "lift ")
Apriori算法
兩步法:
1.頻繁項集的生成:找出所有滿足最小支持度閾值的項集，稱為頻繁項集；
2.規則生成:對於每個頻繁項集L，找出所有非空子集；然後，對於每個這樣的子集A，如果支持度(l)與支持度(A)之比大於最小可靠度，則存在規則A = = >；(左半部分).
頻繁項集生成所需的計算開銷遠遠大於規則生成所需的計算開銷。
頻繁項目集的生成
幾個概念:
1，壹個包含k個項目的數據集，可能產生2 k個候選集。
2.超越原理:如果壹個項集是頻繁的，那麽它的所有子集都是頻繁的(很容易理解頻繁項集的含義)；相反，如果壹個項目集是非頻繁的，它的所有子集也必須是非頻繁的。
3基於支持度度量的壹個關鍵性質:壹個項集的支持度不會超過其子集的支持度(很好理解，支持度是* * *重合的概率，假設項集{A，B，C}和{A，B}是自己的，A，B，C重合的概率肯定不會超過A，B重合的概率。
在Apriori中使用上述規則，如下圖所示。當尋找頻繁項集時，從上到下掃描。當壹個項集是非頻繁項集時(這個項集的支持度小於Minsup)，那麽它下面的項集壹定是非頻繁項集，這部分會被剪枝。
壹個例子(在百度的壹個PPT上):
當我理解了頻繁項集的含義後，我簡單地在R上重現了這個例子，這裏采用了eclat算法，應該類似於apriori:
代碼:
item & lt-列表(
c(“面包”、“牛奶”)，
c(“面包”、“尿布”、“啤酒”、“雞蛋”)，
c(“牛奶”、“尿布”、“啤酒”、“可樂”)，
c(“面包”、“牛奶”、“尿布”、“啤酒”)，
c(“面包”、“牛奶”、“尿布”、“可樂”)
)
名稱(項目)& lt- paste("tr "，c(1:5)，sep = " ")
項目
trans & lt-as(item，" transactions") #將列表轉換為事務。
rules = eclat(trans，parameter = list(supp = 0.6，
target = "頻繁項集")，control = list(sort=1))
Inspect(rules) #查看頻繁項目集
運行後的結果:
& gt檢查(規則)
項目支持
1 {啤酒，
尿布} 0.6
2 {尿布，
牛奶} 0.6
3 {面包，
尿布} 0.6
4 {面包，
牛奶} 0.6
5啤酒0.6
6 {牛奶} 0.8
7 {面包} 0.8
8 {尿布} 0.8
這個例子的頻繁項集就這麽多了，然後我發現項集{面包，牛奶，尿布}不見了。當我回頭看例子時，這個項目集實際上只出現了兩次，所以沒有這樣的項目集。
規則的生成
每個頻繁K項集最多可以生成2k-2條關聯規則。
將項集Y分成兩個非空子集X和Y-X，使得x->: Y-X滿足置信度閾值。
定理:如果規則X->；Y-X不滿足置信閾值，那麽X '-->；Y-X '的規則必須不滿足置信度閾值，其中X '是X的子集。
Apriori按照下圖逐層計算。當發現壹個不滿足置信度的項集時，可以修剪該項集的所有子集的規則。