關(guān)聯(lián)規(guī)則挖掘舉例-資料下載頁(yè)
【導(dǎo)讀】關(guān)聯(lián)規(guī)則挖掘是一個(gè)兩步的過(guò)程：。由頻繁項(xiàng)集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則，這些規(guī)則必須大于。通過(guò)迭代，檢索出事務(wù)數(shù)據(jù)庫(kù)中的所有頻繁項(xiàng)集，即支持度不低于用戶設(shè)定的閾值的項(xiàng)集；利用頻繁項(xiàng)集構(gòu)造出滿足用戶最小置信度的規(guī)則。個(gè)計(jì)算量的大部分。性質(zhì)1：頻繁項(xiàng)集的子集必為頻繁項(xiàng)集。性質(zhì)2：非頻繁項(xiàng)集的超集一定是非頻繁的。以下就是據(jù)此獲得的關(guān)聯(lián)規(guī)則及其置信度。JiaweiHan等人在2020年提出了一種基于FP-樹(shù)的。僅兩次掃描數(shù)據(jù)庫(kù)。理論和實(shí)驗(yàn)表明該算法優(yōu)于Apriori算法。效果可能并不好。用戶關(guān)心的是某些特定的關(guān)聯(lián)規(guī)則，這需要把一些約束。的運(yùn)行效率和用戶滿意度。挖掘算法是當(dāng)數(shù)據(jù)庫(kù)變化后，在原挖掘結(jié)果的基礎(chǔ)上生成新的關(guān)聯(lián)規(guī)則，刪除過(guò)時(shí)的關(guān)聯(lián)規(guī)則?？偰苷页龇蠈?shí)際的規(guī)則。歌曲A與B負(fù)相關(guān)，A與C正相關(guān)。Lift小于1，則表示使用這條規(guī)則來(lái)進(jìn)行推薦，還不如不推薦，覺(jué)，只有用戶才能決定規(guī)則的有效性、可行性。應(yīng)該將需求和關(guān)聯(lián)規(guī)則挖掘方法緊密地結(jié)合起來(lái)。
【正文】 一半的用戶都喜歡歌曲 B，但聽(tīng)過(guò)歌曲 A的人里面只有 30%的人喜歡歌曲 B 聽(tīng)過(guò)歌曲 A的人不喜歡歌曲 B 貌似 A和 B更相關(guān) 矛盾的規(guī)則，如何評(píng)價(jià)？ 關(guān)聯(lián)規(guī)則價(jià)值衡量 提升度 Lift(A?B)=Confidence(A?B)/Support(B)= ()( ) ( )p ABp A p B引入提升度 Lift，以度量此規(guī)則是否可用。它描述的是：相對(duì)于不用規(guī)則，使用規(guī)則可以提高多少。 Lift(A→ B) =Confidence(A?B)/Support(B)=Lift(A→ C)= Confidence(A?C)/Support(C)=(300/100000)= 歌曲 A與 B負(fù)相關(guān)， A與 C正相關(guān)。 Lift大于 1，表示使用這條規(guī)則進(jìn)行推薦能提升用戶聽(tīng)歌曲 C的概率。 Lift小于 1，則表示使用這條規(guī)則來(lái)進(jìn)行推薦，還不如不推薦，讓顧客自行選擇好了。 Confidence(A→B) = Confidence(A→C) = Support(B)= Support(C)=300/100000 關(guān)聯(lián)規(guī)則的價(jià)值衡量 主觀上， 一個(gè)規(guī)則的有用與否最終取決于用戶的感覺(jué)， 只有用戶才能決定規(guī)則的有效性、可行性。所以，應(yīng)該將需求和關(guān)聯(lián)規(guī)則挖掘方法緊密地結(jié)合起來(lái)。例如使用“約束性關(guān)聯(lián)規(guī)則挖掘算法”，將約束條件與算法緊密結(jié)合，既能提高數(shù)據(jù)挖掘效率，又能明確數(shù)據(jù)挖掘的目標(biāo)。 The end jingwhale
鄂ICP備17016276號(hào)-1