关联挖掘

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%]

多层关联规则里的冗余问题，挺让人头疼的，尤其是在数据量大的时候。冗余过滤就是个不错的工具，能帮你把“祖先关系”导致的重复规则过滤掉，逻辑清爽不少。用在那种需要分层挖掘的场景，比如商品分类、用户行为，效果还蛮的。 多层结构的数据，比如商品分“食品-零食-饼干”这几级，多时候你会挖出一堆类似的规则。其实上层已经有了，下层再出来一条，就是冗余。靠人工一个个过？太费劲。用这个过滤方案，效率高不少。 Apriori这种算法你肯定用过吧？配合这类过滤机制一起用，能大大提升输出规则的质量。不只是多，更重要的是准。有些规则看着热闹，其实一点价值都没有，这一步能帮你把水分滤掉。 顺带一提，想深入挖的话，可以看看

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。

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。

关联规则挖掘包括布尔与定量关联（基于数据类型处理）。例如：buys(x, “SQLServer”) ^ buys(x, “DMBook”) -> buys(x, “DBMiner”) [0.2%, 60%]。此外，还有单维与多维关联，单层与多层分析。例如：age(x, “30..39”) ^ income(x, “42..48K”) -> buys(x, “PC”) [1%, 75%]。进一步的扩展涉及相关性和因果分析。需要注意的是，关联并不一定意味着因果关系。还有最大模式和闭合相集的概念，以及如“小东西”销售促发“大家伙”买卖的添加约束。

关联规则挖掘是一种在交易数据、关系数据等信息载体中寻找频繁模式、关联、相关性或因果结构的方法。

多层关联规则里的冗余过滤，挺适合想深入数据挖掘的你。规则太多看得眼花？其实多是祖孙关系里来的重复项，过滤下更干净明了。用Apriori算法来挖掘这些关联规则，挺常见的。不过一不小心就挖出一堆重复信息。比如你有“买了牛奶就买面包”，那“买了牛奶也买了全麦面包”也会被算进来，但其实意思差不多。嗯，过滤掉祖先那种重复规则，看起来会清爽多。再加个WEKA工具，界面友好，操作也简单。不管你是用户购物行为，还是想做推荐系统，套上这套逻辑准没错。像是用min_confidence来限制规则，或是设置层级结构分类，效果都蛮直观。如果你还不太熟，可以先看看这些资料：挖掘多层关联规则，或者去翻翻WEKA 关联规则

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

数据库中蕴藏着丰富的关联知识，等待被挖掘和利用。关联是指两个或多个变量取值之间存在的规律性联系。 关联知识的形式多种多样，包括： 简单关联规则 多层关联规则 多维关联规则 量化关联规则 基于约束的关联规则 例如，购物篮分析可以发现不同商品之间的关联规则，揭示顾客的购买习惯。 Apriori算法和频繁模式树（FP-树）是两种常用的关联规则挖掘算法。