专栏名称: 马哥Linux运维
马哥linux致力于linux运维培训,连续多年排名第一,订阅者可免费获得学习机会和相关Linux独家实战资料!
目录
相关文章推荐
51好读  ›  专栏  ›  马哥Linux运维

数据挖掘实战:关联规则挖掘及Apriori实现购物推荐

马哥Linux运维  · 公众号  · 运维  · 2017-04-08 07:57

正文

糖豆贴心提醒,本文阅读时间4分钟


这篇文章主要介绍三个知识:

1.关联规则挖掘概念及实现过程;

2.Apriori算法挖掘频繁项集;

3.Python实现关联规则挖掘及置信度、支持度计算。

希望这篇文章对你有所帮助,尤其是刚刚接触数据挖掘以及大数据的同学,这些基础知识真的非常重要。如果文章中存在不足或错误的地方,还请海涵~


一. 关联规则挖掘概念及实现过程
1.关联规则


        关联规则(Association Rules)是反映一个事物与其他事物之间的相互依存性和关联性,如果两个或多个事物之间存在一定的关联关系,那么,其中一个事物就能通过其他事物预测到。关联规则是数据挖掘的一个重要技术,用于从大量数据中挖掘出有价值的数据项之间的相关关系。


        关联规则首先被Agrawal, lmielinski and Swami在1993年的SIGMOD会议上提出。


        关联规则挖掘的最经典的例子就是沃尔玛的啤酒与尿布的故事,通过对超市购物篮数据进行分析,即顾客放入购物篮中不同商品之间的关系来分析顾客的购物习惯,发现美国妇女们经常会叮嘱丈夫下班后为孩子买尿布,30%-40%的丈夫同时会顺便购买喜爱的啤酒,超市就把尿布和啤酒放在一起销售增加销售额。有了这个发现后,超市调整了货架的设置,把尿布和啤酒摆放在一起销售,从而大大增加了销售额。


2.常见案例


        前面讲述了关联规则挖掘对超市购物篮的例子,使用Apriori对数据进行频繁项集挖掘与关联规则的产生是一个非常有用的技术,其中我们众所周知的例子如:

  • 沃尔玛超市的尿布与啤酒

  • 超市的牛奶与面包

  • 百度文库推荐相关文档

  • 淘宝推荐相关书籍

  • 医疗推荐可能的治疗组合

  • 银行推荐相关联业务



        这些都是商务智能和关联规则在实际生活中的运用。



        


3.置信度与支持度


3.1什么是规则?

        规则形如"如果…那么…(If…Then…)",前者为条件,后者为结果。例如一个顾客,如果买了可乐,那么他也会购买果汁。


        如何来度量一个规则是否够好?有两个量,置信度(Confidence)和支持度(Support),假如存在如下表的购物记录。


3.2基本概念


        关联规则挖掘是寻找给定数据集中项之间的有趣联系。如下图所示:



        其中,I={ I1, I2, … Im } 是m个不同项目的集合,集合中的元素称为项目(Item)。


        项目的集合I称为项目集合(Itemset),长度为k的项集成为k-项集(k-Itemset)。


        设任务相关的数据D是数据库事务的集合,其中每个事务T是项的集合,使得T⊆I。每个事务有一个标识符TID;设A是一个项集,事务T包含A当且仅当A⊆I,则关联规则形式为A=>B(其中A⊂I,B⊂I,并且A∩B= ∅),交易集D中包含交易的个数记为|D|。


        在关联规则度量中有两个重要的度量值:支持度和置信度。


对于关联规则R:A=>B,则:


        支持度(suppport):是交易集中同时包含A和B的交易数与所有交易数之比。


                            Support(A=>B)=P(A∪B)=count(A∪B)/|D|


        置信度(confidence):是包含A和B交易数与包含A的交易数之比。


                            Confidence(A=>B)=P(B|A)=support(A∪B)/support(A)


3.3支持度


        支持度(Support)计算在所有的交易集中,既有A又有B的概率。例如在5条记录中,既有橙汁又有可乐的记录有2条。则此条规则的支持度为 2/5=0.4,即:


                                               Support(A=>B)=P(AB)


        现在这条规则可表述为,如果一个顾客购买了橙汁,则有50%(置信度)的可能购买可乐。而这样的情况(即买了橙汁会再买可乐)会有40%(支持度)的可能发生。 




 3.4置信度


      置信度(confidence)表示了这条规则有多大程度上值得可信。设条件的项的集合为A,结果的集合为B。置信度计算在A中,同时也含有B的概率(即:if A ,then B的概率)。即 :


                                               Confidence(A=>B)=P(B|A)


        例如计算“如果Orange则Coke”的置信度。由于在含有“橙汁”的4条交易中,仅有2条交易含有“可乐”,其置信度为0.5。


3.5最小支持度与频繁集


        发现关联规则要求项集必须满足的最小支持阈值,称为项集的最小支持度(Minimum Support),记为supmin。支持度大于或等于supmin的项集称为频繁项集,简称频繁集,反之则称为非频繁集。通常k-项集如果满足supmin,称为k-频繁集,记作Lk。关联规则的最小置信度(Minimum Confidence)记为confmin,它表示关联规则需要满足的最低可靠性。


3.6关联规则





3.7强关联规则


        如果规则R:X=>Y 满足 support(X=>Y) >= supmin 且 confidence(X=>Y)>=confmin,称关联规则X=>Y为强关联规则,否则称关联规则X=>Y为弱关联规则。


        在挖掘关联规则时,产生的关联规则要经过supmin和confmin的衡量,筛选出来的强关联规则才能用于指导商家的决策。



二. Apriori算法挖掘频繁项集

        关联规则对购物篮进行挖掘,通常采用两个步骤进行:


        a.找出所有频繁项集(文章中我使用Apriori算法>=最小支持度的项集)


        b.由频繁项集产生强关联规则,这些规则必须大于或者等于最小支持度和最小置信度。


        下面将通超市购物的例子对关联规则挖掘Apriori算法进行分析。

        Apriori算法是一种对有影响的挖掘布尔关联规则频繁项集的算法,通过算法的连接和剪枝即可挖掘频繁项集。


        Apriori算法将发现关联规则的过程分为两个步骤:


        1.通过迭代,检索出事务数据库中的所有频繁项集,即支持度不低于用户设定的阈值的项集;


        2.利用频繁项集构造出满足用户最小置信度的规则。


        挖掘或识别出所有频繁项集是该算法的核心,占整个计算量的大部分。 




补充频繁项集相关知识:


K-项集:指包含K个项的项集;


        项集的出现频率:指包含项集的事务数,简称为项集的频率、支持度计数或计数;


        频繁项集:如果项集的出现频率大于或等于最小支持度计数阈值,则称它为频繁项集,其中频繁K-项集的集合通常记作Lk


        下面直接通过例子描述该算法:如下图所示,使用Apriori算法关联规则挖掘数据集中的频繁项集。(最小支持度计数为2)



具体过程如下所示:



具体分析结果:

 第一次扫描:对每个候选商品计数得C1,由于候选支持度计数为1
        第二次扫描:由L1产生候选C2并对候选计数得C2,比较候选支持度计数与最小支持度计数2得频繁2-项集合L2;
        第三次扫描:用Apriori算法对L2进行连接和剪枝产生候选3项集合C3的过程如下:        1.连接

C3=L2(连接)L2={{A,C},{B,C},{B,E},{C,E}}{{A,C},{B,C},{B,E},{C,E}}={{A,B,C},{A,C,E},{B,C,E}}

        2.剪枝

 {A,B,C}的2项子集{A,B},{A,C}和{B,C},其中{A,B}不是2项子集L2,因此不是频繁的,从C3中删除;
        {A,C,E}的2项子集{A,C},{A,E}和{C,E},其中{A,E}不是2项子集L2,因此不是频繁的,从C3中删除;
        {B,C,E}的2项子集{B,C},{B,E}和{C,E},它的所有2项子集都是L2的元素,保留C3中。
        经过Apriori算法对L2连接和剪枝后产生候选3项集的集合为C3={B,C,E}. 在对该候选商品计数,由于等于最小支持度计数2,故得频繁3-项集合L3,同时由于4-项集中仅1个,故C4为空集,算法终止。

三. 举例:频繁项集产生强关联规则


        强关联规:如果规则R:X=>Y满足support(X=>Y)>=supmin(最小支持度,它用于衡量规则需要满足的最低重要性)且confidence(X=>Y)>=confmin(最小置信度,它表示关联规则需要满足的最低可靠性)称关联规则X=>Y为强关联规则,否则称关联规则X=>Y为弱关联规则。


例子:


        现有A、B、C、D、E五种商品的交易记录表,找出所有频繁项集,假设最小支持度>=50%,最小置信度>=50%。


对于关联规则R:A=>B,则:


        支持度(suppport):是交易集中同时包含A和B的交易数与所有交易数之比。


                            Support(A=>B)=P(A∪B)=count(A∪B)/|D|


        置信度(confidence):是包含A和B交易数与包含A的交易数之比。


                            Confidence(A=>B)=P(B|A)=support(A∪B)/support(A)



        计算过程如下,K=1的时候项集在T1、T3中出现2次,共4条交易,故支持度为2/4=50%,依次计算。其中项集在T1出现,其支持度为1/4=25%,小于最小支持度50%,故去除,得到L1。


        然后对L1中项集两两组合,再分别计算其支持度,其中项集在T3中出现1次,其支持度=1/4=25%,小于最小支持度50%,故去除,同理得到L2项集。



        然后如下图所示,对L2中的项集进行组合,其中超过三项的进行过滤,最后计算得到L3项集。


最后对计算置信度,如下图所示。



        Apriori算法弊端:需要多次扫描数据表。如果频繁集最多包含10个项,那么就需要扫描交易数据表10遍,这需要很大的I/O负载。同时,产生大量频繁集,若有100个项目,可能产生候选项数目。


        故:Jiawei Han等人在2000年提出了一种基于FP-树的关联规则挖掘算法FP_growth,它采取“分而治之”的策略,将提供频繁项目集的数据库压缩成一棵频繁模式树(FP-树)。


推荐一张图,详细分析关联规则的过程:



四. Python实现关联规则挖掘及置信度、支持度计算

        由于这部分代码在Sklearn中没有相关库,自己后面会实现并替换,目前参考空木大神的博客。


输出结果:



        最后希望这篇文章对你有所帮助,加油~

今日值班老师


马哥教育三号女神老师,暖心更胜初恋。
玩得来LOL,讲的了技术题。
专注帮小白学习,是小白的可不要错过她!

糖豆

Linux面授班,报名优惠400元,只有10个名额



推荐文章
冲锋号  ·  当兵TMD有什么意思?
8 年前
携程每日特惠  ·  换外币 | 这个坑你可以绕开…
7 年前
知心  ·  与人相伴,以心换心
7 年前