讲解关联规则挖掘的支持度、置信度和提升度,并说明 Apriori 等算法的基本思想与应用场景。
场景:购物篮分析。"啤酒与尿布"。
形式: (买了 x 的人也会买 Y)
# 三个核心指标
# 支持度(Support)
其中 是事务总数,分子 是同时包含 A 和 B 的事务数(即 的计数)。
支持度衡量项集或规则在整个事务数据库中出现的频率。
对于规则 ,常用的定义是 A 和 B 同时出现的事务占总事务数的比例。
支持度反映规则的 “重要性” 或 “普遍性”。支持度过低的规则通常被认为不重要并会被剪掉(Apriori 中用于剪枝)。
# 置信度(Confidence)
置信度衡量在包含 A 的事务中同时也包含 B 的条件概率,即 。
解释:置信度反映规则的 “可靠性” —— 在已知 A 发生的前提下,B 发生的概率。置信度高表示规则有较强的条件关联性,但不区分偶然相关或由基线支持度导致的高概率。
# 提升度(Lift)
提升度定义为规则置信度与 B 的总体支持度之比,等价于联合概率与边缘概率乘积之比。
用于衡量 A 和 B 之间关联是否超过随机独立情况下的期望水平 (即相关性)。
解释:
- lift > 1:A 的出现能增加 B 出现的可能性(正相关)。
- lift = 1:A 与 B 独立(无关联)。
- lift < 1:A 的出现减少 B 出现的可能性(负相关)。
# Apriori 算法
flowchart TD
A["开始"] --> B["扫描数据库<br/>生成1项集候选集C1"]
B --> C["计算C1中每个项的支持度"]
C --> D["按最小支持度筛选<br/>得到频繁1项集L1"]
D --> E{"L1为空?"}
E -->|是| F["结束<br/>返回所有频繁项集"]
E -->|否| G["k = 2"]
G --> H["由Lk-1生成<br/>候选k项集Ck"]
H --> I{"Ck为空?"}
I -->|是| F
I -->|否| J["扫描数据库<br/>计算Ck中每个项集的支持度"]
J --> K["按最小支持度筛选<br/>得到频繁k项集Lk"]
K --> L{"Lk为空?"}
L -->|是| F
L -->|否| M["k = k + 1"]
M --> H