关联规则观察-WEKA教程

Weka关联规则功能解析 在Weka中，关联规则以“L->R”的形式表达，其中L和R分别代表规则的前件和后件。 支持度(support)： 指在一个购物篮中同时观察到L和R的概率，用P(L,R)表示。 置信度(conviction)： 指购物栏中出现了L时也出会现R的条件概率，用P(R|L)表示。 关联规则的目标是生成支持度和置信度都较高的规则。除了置信度，还可以使用以下指标来衡量规则的关联程度： Lift： P(L,R)/(P(L)P(R)) Leverage： P(L,R)-P(L)P(R) Conviction： P(L)P(!R)/P(L,!R)

Weka关联规则挖掘参数设置实战 任务一：高提升度关联规则 本任务目标是挖掘支持度在10%到100%之间，提升度超过1.5且排名前100的关联规则。参数设置：lowerBoundMinSupport: 0.1upperBoundMinSupport: 1metricType: liftminMetric: 1.5numRules*: 100 任务二：高置信度分类关联规则 本任务目标是挖掘支持度在10%到100%之间，针对“car”属性，置信度超过0.8且排名前100的分类关联规则。参数设置：car: TruemetricType: confidenceminMetric: 0.8numRules: 100

本内容适合于数据挖掘方向的硕士研究生阅读学习，对关联规则与动态关联规则做了简介。

关联规则挖掘该研究概述了关联规则挖掘技术的定义、分类、挖掘方法和模式。分析了关联规则挖掘质量的改善问题和领域应用。

挖掘多层关联规则可找出层次化的关联规则，例如： 牛奶 → 面包 [20%, 60%] 酸奶 → 黄面包 [6%, 50%]

Apriori算法是挖掘关联规则的经典算法，效率较高。本算法对Apriori算法进行了改进，提高了效率。

关联分析挖掘大数据中相关联系，发现规律和模式，应用于商业决策。如购物篮分析、跨品类推荐、货架布局优化、联合促销等，提升销量、改善用户体验。

针对传统关联规则挖掘算法不能有效挖掘负关联规则的问题，该研究引入了负关联的理论，并提出了新的算法。

关联规则挖掘和顺序模式挖掘，欢迎深入了解！