机器学习课程-温州大学-12机器学习-关联规则

• 语言: 中文（简体）
• 格式: .pdf
• 来源: github.com/fengdu78

摘要

文档主要介绍了关联规则的概念及其在机器学习中的应用。关联规则是一种用于发现数据中频繁出现的项集之间的关系的工具，常用于购物篮分析等场景。文档详细解释了关联规则的核心指标，包括支持度、置信度和提升度，并通过实例展示了这些指标的计算方法。此外，文档还介绍了Apriori算法，该算法通过生成频繁项集来构建关联规则，并基于频繁项集的子集特性进行优化。

AI总结

### 文档总结

#### 1. 关联规则概述
- **关联规则**：反映事物之间的相互关联性，可表示为IF-THEN关系。例如，购买商品A的客户可能同时购买商品B。
- **应用场景**：常用于零售分析，发现商品之间的关联性，从而促进冲动购买。
- **核心指标**：
- **支持度（Support）**：表示规则在所有交易中的比例，公式为 \( \text{Support} = \frac{\text{freq}(A,B)}{N} \)。
- **置信度（Confidence）**：表示规则的可信程度，公式为 \( \text{Confidence} = \frac{\text{freq}(A,B)}{\text{freq}(A)} \)。
- **提升度（Lift）**：衡量规则的实际意义，公式为 \( \text{Lift} = \frac{\text{Support}}{\text{Support}(A) \times \text{Support}(B)} \)。

#### 2. Apriori算法
- **核心思想**：基于频繁项集生成关联规则。频繁项集是指支持度大于阈值的项集。
- **先验性质**：频繁项集的子集也必须是频繁项集。
- **流程**：通过生成候选项集并计算支持度，逐步筛选出频繁项集，最终生成关联规则。

#### 3. FP-Growth算法
- **优势**：相比Apriori算法，FP-Growth在效率和可扩展性上更优。
- **原理**：通过构建树状结构（FP树）来高效挖掘频繁项集。

---

### 总结
本章主要介绍了关联规则的基本概念、核心指标（支持度、置信度、提升度）及其在零售中的应用。同时，重点讲解了两种经典的关联规则挖掘算法——Apriori算法和FP-Growth算法，分别从原理和效率上分析了它们的特点。