支持度可信度

规则度量支持度和可信度可用于找出符合最小支持度和可信度条件的规则。 支持度衡量一次交易中同时包含规则中所有项的可能性。 可信度衡量在包含规则中前提项的交易中，结论项出现的条件概率。 例如，若最小支持度为 50%，最小可信度为 50%，则可能获得以下规则： A → C (支持度：50%，可信度：66.6%) C → A (支持度：50%，可信度：100%) 这意味着： 购买尿布的客户中有 50% 同时购买了啤酒。 购买尿布和啤酒的客户中有 66.6% 同时购买了啤酒。 购买啤酒的客户中有 50% 同时购买了尿布。 购买尿布和啤酒的客户中有 100% 同时购买了尿布。

最小支持度和最小置信度的定义，其实挺容易搞混的，是刚开始接触关联规则的时候。tinyxml 指南这篇中文算是比较清楚的，直接把公式和概念一块儿整上来了，简单明了，适合快速查漏补缺。 支持度的意思其实就是你观察到A 和 B 一起出现的概率，而置信度就是如果 A 出现了，那 B 出现的概率。别被公式吓到，P(A ∩ B)和P(B | A)就是这么回事。 文中也提到最小支持度和最小置信度是人为设的阈值，筛选出你觉得靠谱又有价值的规则。比如你不想被偶发的组合干扰，那就设置高点；要是想尽挖掘多点关系，就设低点。 看完这篇如果你对实现原理感兴趣，还可以看看相关文章，比如用Hash Tree 优化支持度的算

本次调查研究共收集问卷XXX份，剔除无效问卷XX份，问卷有效率XXX%。本次调查研究共设置21道题，其中人物画像设置6题（1-6题），两道多选题（7-8题），量表题13道（9-21题），量表题包含四个维度。在定量分析之前，通过描述性统计分析对人物画像进行分析。（此部分可加入差异分析，如卡方分析、方差分析等方法，但未做）。一般而言，完整的分析常用的是探索性因子分析与验证性因子分析，但在很多不严格的研究中，会使用KMO来验证效度。严格来说，KMO不够严谨，不建议直接使用，推荐进行探索性因子分析与验证性因子分析（后期出文章模板），如果要求不严格，也可以直接使用KMO分析。

评估考试试卷质量的关键在于分析其难度、信度和效度，这些因素直接影响试卷的优劣。难度反映了考生面对试题时的挑战程度，信度则关注试卷结果的稳定性和一致性，而效度则评估试卷是否能有效衡量学生所需的能力和知识。通过深入分析这些要素，可以客观地评判出试卷的质量，为教育评估提供可靠依据。

支持度递减的关联规则，其实就是在数据挖掘里，咱们经常会碰到的一个小坑。支持度低的规则被直接忽略，但说不定它背后藏着的才是“冷门但关键”的信息。嗯，像用户稀有购买习惯、识别潜在欺诈行为，这招就挺好使。你要是做过关联规则挖掘，肯定绕不开Apriori和FP-Growth这俩老伙计。不过，想要支持度递减也跟得上，逻辑上就得动点脑子，比如动态调整阈值，或是搞个多层策略，这样才能把稀疏数据挖干净。有几个资源我觉得还不错，像这篇讲支持度递减的，思路清晰，代码也挺实用。还有讲支持度和可信度配合用的文章，这篇讲得也挺接地气。哦对，Hash Tree 那块优化技巧也推荐看看，挖掘效率提升还挺的。如果你想在项目里

基于支持度期望的关联，蛮适合做深度数据挖掘的朋友，尤其你想挖点“看起来不频繁但其实有料”的关联关系时，挺有用。它不是简单看出现频率，而是看是不是比“你原本预期的”还少多。嗯，挺像找那些“悄咪咪”的隐藏逻辑。 支持度期望的技术有点像挖反向宝藏——只有当一个模式的实际支持度小于它理论上应该有的期望值时，才说“这玩意值得看”。换句话说，别人都不太关注的地方，说不定才藏着你要的答案。 有两种玩法：一种是基于概念分层，比如你看“水果”下的“苹果”和“香蕉”，会考虑整个分类的背景；另一种是基于间接关联，就是两个表面没啥关系的项，通过第三方“搭上线”。 推荐你搭配一些示例看看，比如这个关联数据示例，讲得挺清

D-S证据理论下的可信子空间定义和贪心算法CSL，可发现所有可信子空间。CSL迭代识别可信子空间集，为传统聚类算法提供高维数据聚类新途径，具备正确识别真实子空间的能力。

候选集的支持度计算，其实挺讲技巧的。候选集数量多到吓人，一笔交易能匹配好几个，这时候硬算不现实。用Hash Tree去组织这些候选集就方便多了——内部节点是哈希表，叶子节点挂着项集和支持度。查询的时候靠一个Subset函数，能一下找出交易中包含的所有候选集，效率还不错。适合大批量数据，逻辑也挺清晰。

再次扫描 D 的候选项计数，蛮适合用来理解 Apriori 算法的 L2 生成过程。里面的{I1, I2} 4、{I2, I5} 2这类格式，挺直观的，看一眼就知道每组项的支持度。用它来辅助写个频繁项集挖掘的小模块，效率还不错。 支持度计数的结构清晰，你可以直接用来验证自己的候选集生成逻辑。比如用Python写个dict统计器，对照这份数据扫一遍，准确率一看便知。 嗯，如果你是在搞Apriori算法，或者在调试频繁项集脚本，这个资源还挺方便。再配合Apriori 算法中候选项集的连接问题，思路会更清晰。 页面里也列了不少相关文章，像L2 快照数据、垂直数据格式这些，都能拓展点子。如果你在做课程

通过扫描数据库D，统计每个候选项出现的次数，得到项集支持度计数C1如下： | 项集 | 支持度 ||---|---|| {I1} | 6 || {I2} | 7 || {I3} | 6 || {I4} | 2 || {I5} | 2 |