数据挖掘实战：关联规则挖掘及Apriori实现购物推荐
|
糖豆贴心提醒，本文阅读时间4分钟 这篇文章主要介绍三个知识： 1.关联规则挖掘概念及实现过程； 2.Apriori算法挖掘频繁项集； 3.Python实现关联规则挖掘及置信度、支持度计算。 希望这篇文章对你有所帮助，尤其是刚刚接触数据挖掘以及大数据的同学，这些基础知识真的非常重要。如果文章中存在不足或错误的地方，还请海涵~ ? ? ????关联规则（Association Rules）是反映一个事物与其他事物之间的相互依存性和关联性，如果两个或多个事物之间存在一定的关联关系，那么，其中一个事物就能通过其他事物预测到。关联规则是数据挖掘的一个重要技术，用于从大量数据中挖掘出有价值的数据项之间的相关关系。 ? ? ? ? 关联规则首先被Agrawal,lmielinski and Swami在1993年的SIGMOD会议上提出。 ? ? ? ??关联规则挖掘的最经典的例子就是沃尔玛的啤酒与尿布的故事，通过对超市购物篮数据进行分析，即顾客放入购物篮中不同商品之间的关系来分析顾客的购物习惯，发现美国妇女们经常会叮嘱丈夫下班后为孩子买尿布，30%-40%的丈夫同时会顺便购买喜爱的啤酒，超市就把尿布和啤酒放在一起销售增加销售额。有了这个发现后，超市调整了货架的设置，把尿布和啤酒摆放在一起销售，从而大大增加了销售额。 ? ? ? ? 前面讲述了关联规则挖掘对超市购物篮的例子，使用Apriori对数据进行频繁项集挖掘与关联规则的产生是一个非常有用的技术，其中我们众所周知的例子如：
? ? ? ? 这些都是商务智能和关联规则在实际生活中的运用。
? ? ? ?? 3.1什么是规则？ ? ? ? ? 规则形如"如果…那么…(If…Then…)"，前者为条件，后者为结果。例如一个顾客，如果买了可乐，那么他也会购买果汁。 ? ? ? ? 如何来度量一个规则是否够好？有两个量，置信度（Confidence）和支持度（Support），假如存在如下表的购物记录。 3.2基本概念 ? ? ? ? 关联规则挖掘是寻找给定数据集中项之间的有趣联系。如下图所示：
? ? ? ? 其中，I={ I1,I2,… Im } 是m个不同项目的集合,集合中的元素称为项目（Item）。 ? ? ? ? 项目的集合I称为项目集合（Itemset），长度为k的项集成为k-项集（k-Itemset）。 ? ? ? ? 设任务相关的数据D是数据库事务的集合，其中每个事务T是项的集合，使得T?I。每个事务有一个标识符TID；设A是一个项集，事务T包含A当且仅当A?I，则关联规则形式为A=>B（其中A?I，B?I，并且A∩B= ?），交易集D中包含交易的个数记为|D|。 ? ? ? ? 在关联规则度量中有两个重要的度量值：支持度和置信度。 对于关联规则R：A=>B,则： ? ? ? ? 支持度（suppport）：是交易集中同时包含A和B的交易数与所有交易数之比。 ? ? ? ? ? ? ? ? ? ? ? ? ? ? Support(A=>B)=P(A∪B)=count(A∪B)/|D| ? ? ? ? 置信度（confidence）：是包含A和B交易数与包含A的交易数之比。 ? ? ? ? ? ? ? ? ? ? ? ? ? ? Confidence(A=>B)=P(B|A)=support(A∪B)/support(A) 3.3支持度 ? ? ? ? 支持度（Support）计算在所有的交易集中，既有A又有B的概率。例如在5条记录中，既有橙汁又有可乐的记录有2条。则此条规则的支持度为 2/5=0.4，即： ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?Support(A=>B)=P(AB) ? ? ? ? 现在这条规则可表述为，如果一个顾客购买了橙汁，则有50%(置信度)的可能购买可乐。而这样的情况（即买了橙汁会再买可乐）会有40%（支持度）的可能发生。?
?3.4置信度 ? ? ? 置信度（confidence）表示了这条规则有多大程度上值得可信。设条件的项的集合为A,结果的集合为B。置信度计算在A中，同时也含有B的概率（即：if A,then B的概率）。即 ： ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?Confidence(A=>B)=P(B|A) ? ? ? ? 例如计算“如果Orange则Coke”的置信度。由于在含有“橙汁”的4条交易中，仅有2条交易含有“可乐”，其置信度为0.5。 3.5最小支持度与频繁集 ? ? ? ? 发现关联规则要求项集必须满足的最小支持阈值，称为项集的最小支持度（Minimum Support），记为supmin。支持度大于或等于supmin的项集称为频繁项集，简称频繁集，反之则称为非频繁集。通常k-项集如果满足supmin，称为k-频繁集，记作Lk。关联规则的最小置信度（Minimum Confidence）记为confmin，它表示关联规则需要满足的最低可靠性。 3.6关联规则
3.7强关联规则 ? ? ? ? 如果规则R：X=>Y 满足 support(X=>Y) >= supmin 且 confidence(X=>Y)>=confmin，称关联规则X=>Y为强关联规则，否则称关联规则X=>Y为弱关联规则。 ? ? ? ? 在挖掘关联规则时，产生的关联规则要经过supmin和confmin的衡量，筛选出来的强关联规则才能用于指导商家的决策。
? ? ? ? 关联规则对购物篮进行挖掘，通常采用两个步骤进行： ? ? ? ? a.找出所有频繁项集（文章中我使用Apriori算法>=最小支持度的项集） ? ? ? ? b.由频繁项集产生强关联规则，这些规则必须大于或者等于最小支持度和最小置信度。 ? ? ? ? 下面将通超市购物的例子对关联规则挖掘Apriori算法进行分析。 ? ? ? ? Apriori算法是一种对有影响的挖掘布尔关联规则频繁项集的算法，通过算法的连接和剪枝即可挖掘频繁项集。 ? ? ? ??Apriori算法将发现关联规则的过程分为两个步骤： ? ? ? ??1.通过迭代，检索出事务数据库中的所有频繁项集，即支持度不低于用户设定的阈值的项集； ? ? ? ? 2.利用频繁项集构造出满足用户最小置信度的规则。 ? ? ? ? 挖掘或识别出所有频繁项集是该算法的核心，占整个计算量的大部分。?
K-项集：指包含K个项的项集； ? ? ? ? 项集的出现频率：指包含项集的事务数，简称为项集的频率、支持度计数或计数； ? ? ? ? 频繁项集：如果项集的出现频率大于或等于最小支持度计数阈值，则称它为频繁项集，其中频繁K-项集的集合通常记作Lk。 ? ? ? ? 下面直接通过例子描述该算法：如下图所示，使用Apriori算法关联规则挖掘数据集中的频繁项集。（最小支持度计数为2）
?第一次扫描：对每个候选商品计数得C1，由于候选支持度计数为1<最小支持度计数2，故删除得频繁1-项集合L1； C3=L2
? ? ? ??2.剪枝 ?{A,C}的2项子集{A,B},C}和{B,C}，其中{A,B}不是2项子集L2，因此不是频繁的，从C3中删除； ? ? ? ??强关联规：如果规则R：X=>Y满足support(X=>Y)>=supmin(最小支持度，它用于衡量规则需要满足的最低重要性)且confidence(X=>Y)>=confmin（最小置信度，它表示关联规则需要满足的最低可靠性）称关联规则X=>Y为强关联规则，否则称关联规则X=>Y为弱关联规则。 ? ? ? ? 现有A、B、C、D、E五种商品的交易记录表，找出所有频繁项集，假设最小支持度>=50%，最小置信度>=50%。 对于关联规则R：A=>B，则： ? ? ? ? ? ? ? ? ? ? ? ? ? ? Confidence(A=>B)=P(B|A)=support(A∪B)/support(A) 
? ? ? ? 计算过程如下，K=1的时候项集在T1、T3中出现2次，共4条交易，故支持度为2/4=50%，依次计算。其中项集在T1出现，其支持度为1/4=25%，小于最小支持度50%，故去除，得到L1。 ? ? ? ? 然后对L1中项集两两组合，再分别计算其支持度，其中项集在T3中出现1次，其支持度=1/4=25%，小于最小支持度50%，故去除，同理得到L2项集。
? ? ? ? 然后如下图所示，对L2中的项集进行组合，其中超过三项的进行过滤，最后计算得到L3项集。
最后对计算置信度，如下图所示。
? ? ? ? Apriori算法弊端：需要多次扫描数据表。如果频繁集最多包含10个项，那么就需要扫描交易数据表10遍，这需要很大的I/O负载。同时，产生大量频繁集，若有100个项目，可能产生候选项数目。
? ? ? ? 故：Jiawei Han等人在2000年提出了一种基于FP-树的关联规则挖掘算法FP_growth，它采取“分而治之”的策略，将提供频繁项目集的数据库压缩成一棵频繁模式树（FP-树）。
? ? ? ? 由于这部分代码在Sklearn中没有相关库，自己后面会实现并替换，目前参考空木大神的博客。
? ? ? ? 最后希望这篇文章对你有所帮助，加油~ 今日值班老师 糖豆 Linux面授班，报名优惠400元，只有10个名额
（编辑：李大同） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
