購物籃分析（關聯規則挖掘，頻繁規則挖掘）
挖掘資料集（事務資料集，交易資料集）：購物籃資料
頻繁模式：頻繁地出現在資料集中的模式，例如項集，子結構，子串行等
挖掘目標：頻繁模式，頻繁項集，關聯規則等
關聯規則：牛奶=》雞蛋【支援度=2%，置信度=60%】
支援度：分析中的全部事物的2%同時購買了牛奶和雞蛋
置信度：購買了牛奶的筒子有60%也購買了雞蛋
最小支援度閾值和最小置信度閾值：由挖掘者或領域專家設定
項集：項（商品）的集合
k-項集：k個項組成的集合
頻繁項集：滿足最小支援度的項集，頻繁k-項集一般記為lk
強關聯規則：滿足最小支援度閾值和最小置信度閾值的規則
我感覺：主要就是挖掘頻繁模式或者頻繁項集（頻繁項集是頻繁模式的一種），進而找到關聯規則。
兩步過程：找出所有頻繁項集；由頻繁項集產生強關聯規則
演算法：apriori
例子：
apriori演算法的工作過程：
步驟說明：
掃瞄d，對每個候選項計數，生成候選1-項集c1
定義最小支援度閾值為2，從c1生成頻繁1-項集l1
通過l1xl1生成候選2-項集c2
掃瞄d，對c2裡每個項計數，生成頻繁2-項集l2
計算l3xl3，利用apriori性質：頻繁項集的子集必然是頻繁的，我們可以刪去一部分項，從而得到c3，由c3再經過支援度計數生成l3
可見apriori演算法可以分成連線，剪枝兩個步驟不斷迴圈重複
由頻繁項集提取關聯規則：
例子：我們計算出頻繁項集，能提取哪些規則？
i1^i2=>i5，由於出現了2次，出現了4次，故置信度為2/4=50%
類似可以算出
演算法的缺點：l1到c2是笛卡爾積，如果l1比較大，c2難以想象，如果要控制l1較小，則需要提高支援度。有時候不需要提交支援度，那怎麼樣進行優化呢？
基於雜湊的演算法（基本不用，不做講解）
基於fp tree的演算法（如下）
挖掘過程圖示：
fp-growth演算法偽**：
fpgrowth演算法出來以後，因為他很耗記憶體（建立樹），一台機器的記憶體可能不夠，所以我們如果能把他分散在多台計算機裡面計算的話，那麼可以減少我們計算的複雜程度，
進而誕生出了pfp
分布式fp-growth
如果reduce階段採用上述，reduce階段資料量一樣會非常大，一樣沒有解決問題，若果吧reduce的任務放在多個機器上，會有多台機器之間的互動（資料丟失，互動），也沒有解決問題，可以採用對映的方式，機器直接也不會資料存在丟失或者互動。如下步驟（g-list）：
主要步驟：
將資料集分片
計數，產生排序的f-list
將物品分組，產生g-list（這個樣子可以導致reduce在許多臺機器上同時執行）
（pfp演算法關鍵步驟）並行fp-growth過程
聚合結果
應用：網頁中的最佳拍檔：如下所示：
互斥的商品，例如同類的自行車，汽車，內容相近的書籍，此時不能使用**推薦
推薦相近商品的時候使用瀏覽記錄，使用購買記錄更類似於關聯規則挖掘
考慮興趣的時效性，例如已經購買了某種自行車，就沒必要再向使用者推薦相近的自行車
總結一下：當我們推薦相近商品的時候，最好可以使用瀏覽記錄來進行推薦，使用基於物品的協同過濾演算法；
如果要推薦**的話，最好是基於購買記錄，購物籃分析，用關聯模式挖掘（關聯規則挖掘）。
推薦系統 關聯規則 1
說到推薦系統，就不能不說關聯規則。基於關聯規則的推薦，是入門級的推薦技術實現，也是目前應用最廣泛的一種推薦形式。關聯規則起源於資料探勘領域，人們用它來發現大量資料中項集之間 有趣 有用 的關聯。它本身是資料探勘領域中乙個重要的研究課題，近些年來更是由於被業界廣泛應用而倍受重視。rakesh agra...
關聯規則挖掘
關聯規則反映事物之間的相互依存性和關聯性。如果事物之間存在一定的關聯，那麼我們就可以通過乙個事物去 另乙個事物。我們要挖掘大量資料中人們感興趣的，有價值的資訊，包括概念，規則，規律等。關聯規則 發現資料中的規律 超市中什麼產品會 起購買？組合推薦 顧客在買了 臺pc之後下 步會購買?搭配推薦 哪種d...
關聯規則挖掘
直接用例項來解釋概念更清楚一些，加入資料庫中存在10條交易記錄 transaction 具體如下表所示 交易id tid 購買商品 items b bread c cream m milk t tea t01b c m t t02b c m t03c m t04m t t05b c m t06b t...