关联规则分析

item frequency (relative)
ag e= M wo rk cl as s= Pr iva te ra ce =W hi te se x= M al e id dl eag ed
summary(Adult) itemFrequencyPlot(Adult, support = 0.5, cex.names = 0.8)
• 求得规则： – rules = apriori(trans2, parameter = list(support = 0.01,confidence = 0.6)) • 查看规则： – inspect(rules[1:3]) • 筛选规则： – x=subset(rules, subset = rhs %in% "Milk" &lift > 1.2) • 规则排序： – inspect(SORT(x, by = "confidence")[1:3])
Al co ho l
M i lk
图示数据 itemFrequencyPlot(trans2, support = 0.1, cex.names = 0.8)
Ba ke ry .g oo ds
Sn ac ks
Ti
nn ed .g oo ds
fsets <- eclat(trans2, parameter = list(support = 0.05,maxlen=10))#求频繁项集 rules = apriori(trans2, parameter = list(support = 0.01,confidence = 0.6))#求规则
关联规则分析 (association analysis)
超市例子
例3.1 (Groceries.txt) 这是一个超市购物例子(Hahsler et al., 2006)，数据中有9835笔交易，涉及169种商品。每个交易 为一个顾客的购买记录，而每种商品是一个二分变量，比 如，购买用1代表，未购买用0代表。通过对数据的初步计 算，我们发现在单项计数中，全牛奶(whole milk)的频数最 高，为2513(频率接近26%)，而其次为：其它蔬菜(other vegetables)为1903，面包(rolls/buns)为1809，苏打(soda)为 1715，酸奶(yogurt)为1372等等。超过5%的顾客购买的商 品频率显示在图3.1中。此外，还可以知道分别买不同数 量商品的顾客人数，购买1至9种商品的人数展示在下表中：
连续变量(先变成分类变量)
• data("AdultUCI")#library(arules) • attributes(AdultUCI)$class; attributes(AdultUCI)$names; • dim(AdultUCI);AdultUCI[1:2, ] • 连续变量处理：
– 删除
• X=>Y的置信度 置信度(confidence) 置信度 • X=>Y的提升 提升(lift) 提升
library(arules) data(Groceries) summary(Groceries) itemFrequencyPlot(Groceries, support = 0.05, cex.names = 0.8) #图3.1 图 fsets <- eclat(Groceries, parameter = list(support = 0.05,maxlen=10))#求频繁项集 求频繁项集 inspect(fsets[1:10]) inspect(SORT(fsets, by = "support")[1:10]) rules = apriori(Groceries, parameter = list(support = 0.01,confidence = 0.01))#求规 求规 则 x=subset(rules, subset = rhs %in% "whole milk" &lift > 1.2) inspect(SORT(x, by = "support")[1:5]) #第三章表 第三章表 inspect(SORT(x, by = "confidence")[1:5])#第三章表 第三章表 #inspect(SORT(x, by = "lift")[1:5])
rules = apriori(Adult, parameter = list(support = 0.01,confidence = 0.6)) x=subset(rules, subset = rhs %in% "income=large" &lift > 1.2) inspect(SORT(x, by = "confidence")[1:5]) inspect(SORT(x, by = "lift")[1:5])
• AdultUCI[["fnlwgt"]] <- NULL • AdultUCI[["education-num"]] <- NULL
– 分级
连续变量
• AdultUCI[["age"]] <- ordered(cut(AdultUCI[["age"]], c(15,25, 45, 65, 100)), labels = c("Young", "Middle-aged","Senior", "Old")) • AdultUCI[["hours-per-week"]] <- ordered(cut(AdultUCI[["hours-per-week"]], c(0, 25, 40, 60, 168)), labels = c("Part-time", "Full-time", "Over-time", "Workaholic")) • AdultUCI[["capital-gain"]] <- ordered(cut(AdultUCI[["capital-gain"]], c(-Inf, 0, median(AdultUCI[["capital-gain"]][AdultUCI[["capital-gain"]] > 0]), Inf)), labels = c("None", "Low", "High")) • AdultUCI[["capital-loss"]] <- ordered(cut(AdultUCI[["capital-loss"]], c(-Inf, 0, median(AdultUCI[["capital-loss"]][AdultUCI[["capital-loss"]] > 0]), Inf)), labels = c("none", "low", "high")) • Adult <- as(AdultUCI, "transactions"); Adult
library(arules); w=read.table("f:/adbook/shopping.txt",header=TRUE,sep="\t");a=w[1:10]; dim(a) [1] 786 10
> names(w) [1] “Ready.made” [6] “Bakery.goods” “Frozen.foods” “Alcohol” “Fresh.meat” “Toiletries” “Fresh.Vegetables” “Milk” “Snacks” “Tinned.goods”
library(arules) data(Groceries) summary(Groceries) itemFrequencyPlot(Groceries, support = 0.05, cex.names = 0.8) #图3.1 图
0.00
0.05
0.10
来自百度文库0.15
0.20
0.25
超过5%的顾客购买的商品名字和频率 超过 的顾客购买的商品名字和频率
a=as.matrix(a); trans2 <- as(a, "transactions"); summary(trans2)#数据概况 数据概况
item frequency (relative) 0.0 0.1 0.2 0.3 0.4
Re ad y. m ad e
Fr oz en .fo od s
0.0
0.2
0.4
0.6
0.8
ca pi ta l-g ai n ca pi ta l-l =N on e
ho os ur s= sno pe ne r -w ee na k= tiv eFu co llun t im try e =U ni te dSt at es in co m e= sm al l
fra nk fu sa rter us ag e po rk b cit e e f ru tro s fr pi uit ca lf ru ro pi it ot p ve fru ot ge it he r v tab eg le s et a wh b le s ol e m i lk bu tte r wh cu ip rd pe y d/ so ogu do ur c r t r m e s eam t ic e ro ggs lls /b br ow un s n br ea d pa s m ar try ga rin e bo co ff ttl ed ee wa fru te it/ ve r ge s ta od bl a e ju bo ic ttl ed e ca b nn ee ed r be na er ne pk w in sh sp s op ap e pi ng rs ba gs
术语
• • • • 每一个观测称为一个事务或交易 观测称为一个事务 交易(transaction) 每一个观测称为一个事务 交易 变量称为一个项目 项(item) 项目或项 每一个二分变量 变量 项目 事务数据集、 目集 项集(itemset) 目集或项集 事务数据集、项目集 项集 用X表示一个项目或者项目集，用Y表示与X没有交的另 一个项目或项目集，那么记号“X=>Y”表示X和Y同时出 X=>Y” X Y 现的一个规则 规则(rule) 规则 • 在X=>Y中，称X为前项 前项(也称为条件项 左项， 条件项或左项 前项 条件项 左项， antecedent, left-hand-side or LHS of the rule)，而称Y为后 后 结果项或右项 项(也称为结果项 右项，consequent，right-hand-side 结果项 右项， or RHS of the rule)。
支持度(support) 支持度 信息 • X=>Y的支持度
表示事务Ζ 表示事务包含X的 记σ(Z)表示事务Ζ在包含Ν个事务的整个事务数据集中的频数，用A表示事务包含 的 表示事务 在包含Ν个事务的整个事务数据集中的频数， 表示事务包含 事件， 表示事务包含Y的事件 没有交) 事件，而B表示事务包含 的事件 和Y没有交 ，则： 表示事务包含 的事件(X和 没有交
例3.2 (Adult.txt)美国普查局政府网站 的数据库的例子。原本有48842个观 测及15个变量。这15个变量经过挑选 并转换成115个二分变量。
library(arules) data(Adult) summary(Adult) rules <- apriori(Adult, parameter = list(support = 0.01,confidence = 0.6)) summary(rules) rulesIncomeSmall <- subset(rules, subset = rhs %in% "income=small" & lift > 1.2) rulesIncomeLarge <- subset(rules, subset = rhs %in% "income=large" & lift > 1.2) inspect(SORT(rulesIncomeSmall, by = "confidence")[1:3]) inspect(SORT(rulesIncomeLarge, by = "confidence")[1:3])