WEKA关联规则挖掘教程

在WEKA中观察关联规则，以发现项目集之间的联系和依赖关系。

Weka关联规则挖掘参数设置实战 任务一：高提升度关联规则 本任务目标是挖掘支持度在10%到100%之间，提升度超过1.5且排名前100的关联规则。参数设置：lowerBoundMinSupport: 0.1upperBoundMinSupport: 1metricType: liftminMetric: 1.5numRules*: 100 任务二：高置信度分类关联规则 本任务目标是挖掘支持度在10%到100%之间，针对“car”属性，置信度超过0.8且排名前100的分类关联规则。参数设置：car: TruemetricType: confidenceminMetric: 0.8numRule

关联规则挖掘在数据挖掘中有着广泛的应用，最典型的例子就是购物篮。比如，你想知道顾客常常购买哪些商品组合？通过关联规则挖掘，你能出哪些商品常常一起被买，哪些商品的购买时间序列比较稳定。像超市货架设计、库存管理等，都能从这些中受益。通过这些技术，你可以更好地满足顾客需求，提高销售效率。如果你刚开始接触数据挖掘，学习购物篮问题是一个不错的起点。这里有些链接可以进一步你了解相关的技术和案例哦。

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%]

Weka关联规则功能解析 在Weka中，关联规则以“L->R”的形式表达，其中L和R分别代表规则的前件和后件。 支持度(support)： 指在一个购物篮中同时观察到L和R的概率，用P(L,R)表示。 置信度(conviction)： 指购物栏中出现了L时也出会现R的条件概率，用P(R|L)表示。 关联规则的目标是生成支持度和置信度都较高的规则。除了置信度，还可以使用以下指标来衡量规则的关联程度： Lift： P(L,R)/(P(L)P(R)) Leverage： P(L,R)-P(L)P(R) Conviction： P(L)P(!R)/P(L,!R)

关联规则挖掘该研究概述了关联规则挖掘技术的定义、分类、挖掘方法和模式。分析了关联规则挖掘质量的改善问题和领域应用。

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。

数据挖掘里的关联，Apriori 算法算是个“老朋友”了。它用得还挺广，尤其是做零售、电商相关的频繁项集挖掘，比如顾客买了 A 还会不会买 B。Apriori.cpp和MyApriori.cpp这俩文件里头实现了标准和改进版的算法逻辑。要直接跑程序也可以，压缩包里有Apriori.exe和MyApriori.exe，点一下就能试，省了编译的事儿。

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。