关联规则挖掘综述

挖掘多层关联规则可找出层次化的关联规则，例如： 牛奶 → 面包 [20%, 60%] 酸奶 → 黄面包 [6%, 50%]

针对传统关联规则挖掘算法不能有效挖掘负关联规则的问题，该研究引入了负关联的理论，并提出了新的算法。

本内容适合于数据挖掘方向的硕士研究生阅读学习，对关联规则与动态关联规则做了简介。

本节讨论关联挖掘的基本概念、算法和应用。关联规则挖掘是一种发现频繁模式和强关联关系的技术，广泛应用于零售、金融和医疗等领域。

以关联规则 A  C 为例，深入解读其支持度和置信度： 支持度 (Support): 衡量规则 A  C 在所有交易中出现的频率。 计算公式：support(A  C) = support({A, C}) = 50% 解读：意味着在所有交易中，同时包含 A 和 C 的交易占 50%。 置信度 (Confidence): 衡量在包含 A 的交易中，也包含 C 的交易的比例。 计算公式：confidence(A  C) = support({A, C}) / support({A}) = 66.6% 解读：意味着在所有包含 A 的交易中，有 66.6% 的交易也包含 C。 A

WEKA 的Apriori算法挺实用的，适合做关联规则挖掘。通过Apriori算法，你可以轻松找出数据之间的关系，像超市购物数据或者是用户行为这些都能用上。参数配置也挺直观，像-I输出项集、-N 10设置规则数为 10，这些都可以根据需要调整。如果你对关联规则挖掘有点兴趣，可以尝试下这个算法。是-C 0.9这个最小置信度设置，挺有用的，能帮你提高挖掘质量。不过，记得根据数据的不同调整-M和-U这些支持度参数哦。，WEKA 的Apriori算法在数据挖掘中还蛮受欢迎的，配置简单，效果也不错。

Apriori 算法是关联规则挖掘中的经典之作，尤其在大数据中还是蛮实用的。简单来说，它通过频繁项集来找出数据中的潜在规律，比如在超市购物篮中，顾客如果购买了尿布，还会买啤酒。这个算法通过迭代生成频繁项集，再从中挖掘强关联规则，是商业决策、市场等领域的重要工具。虽然它需要多次扫描数据，效率上有点挑战，但通过一些优化手段，还是能发挥大的作用。想要深入理解 Apriori，相关代码和数据集会对你有大哦。

关联规则挖掘和顺序模式挖掘，欢迎深入了解！

关联规则挖掘分为两个步骤：第一步，找出所有频繁项集，这些项集的频繁性至少和预定义的最小支持计数一致。第二步，由频繁项集生成强关联规则，这些规则必须满足最小支持度和最小置信度。