關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘-資料下載頁
2025-04-07 20:33本頁面
【正文】 1輸出項(xiàng)集設(shè)為真(由于car, removeAllMissingCols, verbose都保持為默認(rèn)值False，因此在結(jié)果的參數(shù)設(shè)置為缺省，若設(shè)為True，則會(huì)在結(jié)果的參數(shù)設(shè)置信息中分別表示為A, R,V)Minimum support: (470 instances)//，即最少需要470個(gè)實(shí)例Minimum metric confidence: //最小度量置信度: Number of cycles performed: 3//進(jìn)行了3輪搜索Generated sets of large itemsets://生成的頻繁項(xiàng)集Size of set of large itemsets L(1): 11//頻繁1項(xiàng)集：11個(gè)Size of set of large itemsets L(2): 39//頻繁1項(xiàng)集：39個(gè)Size of set of large itemsets L(3):4//頻繁1項(xiàng)集：4個(gè)——大數(shù)據(jù)1）默認(rèn)數(shù)值delta不斷減小支持度直至達(dá)到最小支持度或產(chǎn)生了滿足數(shù)量要求的規(guī)則。lowerBoundMinSupportmetricType度量類型。設(shè)置對規(guī)則進(jìn)行排序的度量依據(jù)?？梢允牵褐眯哦龋愱P(guān)聯(lián)規(guī)則只能用置信度挖掘），提升度(lift)，杠桿率(leverage)，確信度(conviction)。在Weka中設(shè)置了幾個(gè)類似置信度(confidence)的度量來衡量規(guī)則的關(guān)聯(lián)程度，它們分別是：a)Lift：P(A,B)/(P(A)P(B)) Lift=1時(shí)表示A和B獨(dú)立。這個(gè)數(shù)越大(1)，越表明A和B存在于一個(gè)購物籃中不是偶然現(xiàn)象,有較強(qiáng)的關(guān)聯(lián)度.b)Leverage :P(A,B)P(A)P(B)Leverage=0時(shí)A和B獨(dú)立，Leverage越大A和B的關(guān)系越密切c)Conviction:P(A)P(!B)/P(A,!B)（!B表示B沒有發(fā)生）Conviction也是用來衡量A和B的獨(dú)立性。從它和lift的關(guān)系（對B取反，代入Lift公式后求倒數(shù)）可以看出，這個(gè)值越大, A、B越關(guān)聯(lián)。minMtricnumRules要發(fā)現(xiàn)的規(guī)則數(shù)為10。outputItemSets如果設(shè)置為真，會(huì)在結(jié)果中輸出項(xiàng)集。removeAllMissingCols移除全部為缺省值的列。upperBoundMinSupport最小支持度上界。2）結(jié)果解釋使用默認(rèn)設(shè)置數(shù)值沒有發(fā)現(xiàn)規(guī)則。3） 修改數(shù)值修改lowerBoundMinSupport4)結(jié)果解釋僅發(fā)現(xiàn)兩條規(guī)則。I48與I39 有關(guān)聯(lián)規(guī)則 conf:() life:() lev:() cosv:()5） 修改數(shù)值修改lowerBoundMinSupport6） 結(jié)果解釋發(fā)現(xiàn)8條規(guī)則7）修改數(shù)值修改lowerBoundMinSupport8)結(jié)果解釋發(fā)現(xiàn)如下（二）IBM SPSS Modeler——大數(shù)據(jù)Apriori算法讀取值然后將測量全部修改為標(biāo)記，角色全部改為任意。最小置信度為50%結(jié)果分析：I48與I39 有關(guān)聯(lián)規(guī)則 I41與I39 有關(guān)聯(lián)規(guī)則 I39與I38有關(guān)聯(lián)規(guī)則 I48與I41 有關(guān)聯(lián)規(guī)則 I42與I39 有關(guān)聯(lián)規(guī)則 I48與I32 有關(guān)聯(lián)規(guī)則I48與I38 有關(guān)聯(lián)規(guī)則 最小置信度為60%I48與I39 有關(guān)聯(lián)規(guī)則 I41與I39 有關(guān)聯(lián)規(guī)則 I39與I38有關(guān)聯(lián)規(guī)則 I48與I41 有關(guān)聯(lián)規(guī)則 7． 總結(jié) 數(shù)據(jù)挖掘可以通過不同的工具來進(jìn)行分析。通過使用WEKA和IBM SPSS Modeler發(fā)現(xiàn)兩個(gè)軟件適用的情況有所不同。WEKA的關(guān)聯(lián)規(guī)則Apriori分析僅能用來作示范，不適合用來挖掘大型數(shù)據(jù)集。但是FP—Growth算法可以有效地處理大數(shù)據(jù)，修改不同的數(shù)值得出不同的結(jié)果。而且在顯示的結(jié)果中看到置信度等數(shù)值結(jié)果。IBM SPSS Modeler需要修改數(shù)據(jù)的TYPE，如讀取值和輸入輸出，選擇各種不同的模型，使輸出的結(jié)果更加有效的解決實(shí)際問題。但是在操作的過程中，我們發(fā)現(xiàn)IBM SPSS Modeler建模運(yùn)行的時(shí)候很慢，需要等待很長時(shí)間才能完成，而且需要修改的數(shù)值是分為不同的選項(xiàng)卡，一旦選定生成無法更改，過程不可逆，所以在修改數(shù)值查看不同結(jié)果時(shí)十分不方便。而WEKA可以反復(fù)查看不同的結(jié)果。27
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1