關聯規(guī)則挖掘舉例-資料下載頁
2024-10-12 11:25本頁面
【導讀】關聯規(guī)則挖掘是一個兩步的過程：。由頻繁項集產生強關聯規(guī)則，這些規(guī)則必須大于。通過迭代，檢索出事務數據庫中的所有頻繁項集，即支持度不低于用戶設定的閾值的項集；利用頻繁項集構造出滿足用戶最小置信度的規(guī)則。個計算量的大部分。性質1：頻繁項集的子集必為頻繁項集。性質2：非頻繁項集的超集一定是非頻繁的。以下就是據此獲得的關聯規(guī)則及其置信度。JiaweiHan等人在2020年提出了一種基于FP-樹的。僅兩次掃描數據庫。理論和實驗表明該算法優(yōu)于Apriori算法。效果可能并不好。用戶關心的是某些特定的關聯規(guī)則，這需要把一些約束。的運行效率和用戶滿意度。挖掘算法是當數據庫變化后，在原挖掘結果的基礎上生成新的關聯規(guī)則，刪除過時的關聯規(guī)則。總能找出符合實際的規(guī)則。歌曲A與B負相關，A與C正相關。Lift小于1，則表示使用這條規(guī)則來進行推薦，還不如不推薦，覺，只有用戶才能決定規(guī)則的有效性、可行性。應該將需求和關聯規(guī)則挖掘方法緊密地結合起來。
【正文】 一半的用戶都喜歡歌曲 B，但聽過歌曲 A的人里面只有 30%的人喜歡歌曲 B 聽過歌曲 A的人不喜歡歌曲 B 貌似 A和 B更相關 矛盾的規(guī)則，如何評價？ 關聯規(guī)則價值衡量 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負相關， A與 C正相關。 Lift大于 1，表示使用這條規(guī)則進行推薦能提升用戶聽歌曲 C的概率。 Lift小于 1，則表示使用這條規(guī)則來進行推薦，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 關聯規(guī)則的價值衡量 主觀上， 一個規(guī)則的有用與否最終取決于用戶的感覺， 只有用戶才能決定規(guī)則的有效性、可行性。所以，應該將需求和關聯規(guī)則挖掘方法緊密地結合起來。例如使用“約束性關聯規(guī)則挖掘算法”，將約束條件與算法緊密結合，既能提高數據挖掘效率，又能明確數據挖掘的目標。 The end jingwhale
教學課件相關推薦
鄂ICP備17016276號-1