R關聯規則演算法（支援度 自信度 提公升度）

用於大量資料中挖掘出有價值的資料項之間的相關關係

常用於使用者購物籃分析，使用它來發現顧客的購買習慣

兩個不相交的非空集合x、y,如果有x->y,就說x->y是一條關聯規則。關聯規則的強度用支援度（support）和自信度(confidence)來描述，關聯規則是否可用，使用提公升度(lift)來描述。

挖掘定義

給定乙個資料集，找出其中所有支援度support>=min_support，自信度confidence>=min_confifence的關聯規則。

支援度（support）

support(x->y)=集合x與集合y中的項在一條記錄中同時出現的次數/資料的個數

例如：

support()=啤酒和尿布同時出現的次數/記錄數

自信度（cconfidence）

confidence(x->y)=集合x與集合y中的項在一條記錄中同時出現的次數/集合x出現的個數

例如：

confidence(->)=啤酒和尿布同時出現的次數/啤酒出現的次數

提公升度(lift)

度量規則是否可用的指標，描述的是相對於不用規則，使用規則可以提高多少，有用的規則的提公升度大於1

計算公式=lift()=confidence()/support(b)

實現關聯規則的api

install.packages(「arules」)

apriori(x,parameter=list(support=0.5,confidence=0.5))

以經典的啤酒尿布為例，看看在r中如何實現關聯規則演算法

data <- read.transactions(

"data.csv", 
format = "single", 
cols = c(1,2), 
sep=',', 
skip=1
)inspect(data)
data2 <- read.transactions(
"data2.txt", 
format="basket", 
sep=",", 
skip = 1
)inspect(data2)
rules <- apriori(data)
inspect(rules)
rules <- apriori(
data, 
parameter=list(
support=0.5, 
confidence=0.5
))inspect(rules)
lhs rhs support confidence lift 
[1] {} => 
0.60.60
1.0000
[2] {} => 
0.80.80
1.0000
[3] {} => 
0.80.80
1.0000
[4] {} => 
0.80.80
1.0000
[5] => 
0.61.00
1.2500
[6] => 
0.60.75
1.2500
[7] => 
0.60.75
0.9375
[8] => 
0.60.75
0.9375
[9] => 
0.60.75
0.9375
[10] => 
0.60.75
0.9375
[11] => 
0.60.75
0.9375
[12] => 
0.60.75
0.9375

統計分析 關聯規則之置信度，支援度，提公升度

別看這幾個公式不起眼，資料分析倒是用的很普遍，所以最好記住啊，記不住也沒關係，我都總結好了 一般使用三個指標來度量乙個關聯規則，根據這三個指標可以篩選出滿足條件的關聯規則。這三個指標是 sup port 支援度 support 支援度 suppor t 支援 度 c on fide nce 置信度 ...

關聯分析中的支援度 置信度和提公升度

自 1.支援度 support 支援度表示項集在總項集裡出現的概率。公式為 support x y p x,y p i p x y p i num xuy num i 其中，i表示總事務集。num 表示求事務集裡特定項集出現的次數。比如，num i 表示總事務集的個數 num x y 表示含有的事務...

關聯分析中的支援度 置信度和提公升度

1.支援度 support 支援度表示項集在總項集裡出現的概率。公式為 support x y p x,y p i p x y p i num xuy num i 其中，i表示總事務集。num 表示求事務集裡特定項集出現的次數。比如，num i 表示總事務集的個數 num x y 表示含有的事務集的...