关联规则介绍

关联规则是一种从大型数据库中发现事物间相关性的方法。

关联：当某件事物发生时，其他事物也会发生。
关联分析：两个或多个事物之间存在一定的关联，那么其中一个事物就能通过其他事物进行预测，其目的是挖掘数据之间的相关性和规律性。

比较常见的应用就是购物篮分析，分析用户购买产品的习惯，购买A产品后，购买B产品的概率。网上传的“啤酒和尿布”的故事，虽然是假的，但却是个比较好的例子，来说明事物之间关联性。

关联规则可以表示为如下式子：R：X→Y。比如尿布→啤酒，就是一条规则。

关联规则中的概念

项与项集：

项：数据库中可不分割的最小单位信息，也叫项目，用符号i表示。（即单个商品，比如牛奶，尿布等）
项集：项的集合，设集合I={i1,i2,i3,……,ik}是项集，I中项目个数为k，集合称为k-项集。（集合中有k个商品就是k-项集，类似超市的采购清单）

事务：假设I={i1,i2,i3,……,ik}是数据库中所有项构成的集合（即整个超市），给定一个交易数据库D，每个事务t是I的子集，每个交易都与一个唯一的标示符TID对应。（即每个人购物车里的商品情况）
在这里插入图片描述

关联规则中重要的三个概念：

支持度

支持度：项集在整个D（所有数据，假设有N个数据）中出现的概率。某个商品组合出现的次数与总次数之比。其公式为：
在这里插入图片描述
这里{牛肉，鸡肉}的组合出现在t1,t4,t5，出现次数为3，一共的数据量为7（事务数），所以支持度为3/7。下一个同理。

最小支持度

对于出现次数不多的商品，往往不用去关注，为了衡量哪些商品出现得频繁，哪些商品出现得不频繁，提出了最小支持度的概念。这里的最小支持度是人为设定的。
在这里插入图片描述

置信度

置信度：购买A商品后，购买B商品的概率。
可看作条件概率。P(B|A) = P(AB)/P(A)
在这里插入图片描述
举个例子：计算牛肉→鸡肉间的置信度（购买牛肉后，买鸡肉的概率）。
{牛肉，鸡肉}=3/7，{牛肉}=4/7(牛肉出现了4次)，所以，目标的置信度为3/4.

最小置信度

跟之前的最小支持度一样：

最小支持度关心的是商品组合出现的次数要足够多，次数过少说明商品组合性太差，研究无意义；
最小置信度关心的是商品之间的关联性要足够强，关联性不强说明这些商品之间没有什么相关性，研究无意义。

这个最小置信度也是人为设定的。
在这里插入图片描述

提升度

提升度：商品A的出现，对商品B的出现概率的提升程度。
提升度（A→B）=置信度（A→B）/支持度（B）
仅仅依靠支持度和置信度的不可靠，比如下面这个例子。通过计算发现肉牛和米饭的关联性很高，但给买牛肉的人推荐米饭是没有意义的，什么都不做的情况下，还有80%的人都会买米饭。
按照常识我们也知道这种做法是无意义的。（热门产品不需要去推荐，基于冷门产品推荐热门产品不可取，反过来才是我们想要的。）

在这里插入图片描述
引入提升度(Lift)来筛选挖掘的规则。

按照提升度计算后的结果，发现小于1，说明推荐无意义。

小结

举个例子：
在这里插入图片描述
{牛奶，面包}组合=0.6，P(面包|牛奶)=P(牛奶，面包)/P(牛奶)=0.75
在买牛奶的情况下，推荐面包这条规则的提升度为Lift(牛奶→面包)=0.75/0.8<1，所以不用推荐。

不去推荐，那么P(啤酒，鸡蛋)=0.2，推荐买啤酒的去买鸡蛋，P(鸡蛋|啤酒)=1/3>0.2，说明在买啤酒的条件下，购买鸡蛋的概率增加了，（具体增加了多少）再对这个指标进行量化，也就是提升率=1.67>1，因此，可以推荐。
在这里插入图片描述

基于X推荐Y：
在这里插入图片描述
注：需要关注前提条件，即支持度和置信度都满足一定要求后，才能继续往下分析，计算提神度，而提升度过低，则无效。

关联规则的两个挖掘阶段：
- 大部分的计算都集中在

Apriori算法

Apriori性质：频繁项集的所有非空子集都必须也是频繁的；如果一个项集是非频繁的，那它的所有超集也都是非频繁的（包括非频繁项集的集合，也都是非频繁的）。
Apriori性质是反单调的，其意义在于压缩搜索空间。

项集的格空间理论

在这里插入图片描述
举个例子：

1.通过项集间不断的交叉，生成所有的项集，一项集，二项集……四项集。但若对所有的项集进行计算，那么计算量会非常大，因此采用定理2.
2.如果说B是非频繁项集，那么包含B的项集也都是非频繁的，因此计算时可以去除，降低不必要的计算量。

生成频繁项集

举个例子：

对给定数据库进行第一次扫描，得到候选一项集。其中{4}的支持度过小，因此删除不考虑，得到频繁一项集。
对频繁一项集进行组合，生成候选二项集。再对其进行扫描，找出其中支持度不满足要求的{1 2}，{1 5}，删除。得到频繁二项集。
用频繁一项集和频繁二项集进行组合，比如{1 3}和{1}组合，生成{1 3}不是三项，去掉。{1 3}和{2}，得到{1 2 3}，是三项，但是其中{1 2}是非频繁的二项集，因此也去掉。综上，最终得到频繁三项集{2 3 5}。

构造关联规则

对于三项集的子集，来计算强关联规则。{2 3}推出5，{3 5}推出2。

Apriori算法特点

在这里插入图片描述

FP-growth算法

频繁模式树(Frequent-Pattern tree)压缩数据库，避免频繁地对数据库进行扫描，不用生成候选集来挖掘频繁项集的方法。
在这里插入图片描述

建立FP-tree

1.对数据库进行扫描，把一项集的支持计数都列出来，再根据最小的支持度，去掉非频繁的一项集。
2.根据支持计数的大小，对一项集由大到小进行排序。得到一个新的数据集
3.再扫描一次数据集，得到FP-tree。
对于第一条数据。根据新生成的频繁一项集，对原始数据进行提取计数。根据频繁一项集的顺序构建子树。
接下来再查看第二条数据。
第三条数据。
第四条数据。
第五条数据。

FP-tree优点