机器学习什么是R编程中的关联规则挖掘

在数据挖掘和机器学习中，关联规则挖掘是一种用于发现大量变量或项之间的有趣关系或关联的重要技术。通过利用关联规则挖掘的能力，企业可以获得有关客户行为模式、产品推荐、购物篮分析、市场细分等方面的有价值的见解。R编程语言提供了强大的工具和库，以高效地实现关联规则挖掘算法。在本文中，我们将探讨R编程中的关联规则挖掘概念，并了解如何将其应用于解决现实世界的问题。

关联规则挖掘

关联规则表示每个数据集中两个或多个变量/项之间的强关系。这些规则以“如果-那么”语句表示：如果项A存在，则项B也很可能存在。从这些规则中推断出的信息可以帮助组织根据其数据集中识别出的模式做出明智的决策。

通常以“X=>Y”格式表示，其中X表示前件（左手边），Y表示后件（右手边），关联规则旨在捕捉频繁共现模式。

关联规则挖掘如何工作

支持度

支持度衡量了一个特定项目集在数据集中出现的频率。它通过计算该项目集相对于所有其他被分析的交易或实例的出现比率来确定项目集的流行度或重要性。

置信度

置信度通过计算其支持度（X Y）/支持度（X）来衡量一个关联规则在使用相关历史交易记录或数据点时发现为真的频率。

Lift

Lift识别出两个项目之间是否存在比随机概率更高的依赖关系。

大于1的值表示正相关，而小于1的值表示负相关。

以下是在R中实施的逐步说明：

安装并加载所需的软件包

install.packages("arules") library(arules)

将您的数据集加载到R中

data <- read.transactions(file = "your_file_path", format="basket", sep=",")

‘read.transactions’函数读取您的数据集文件，应该是以事务/篮子格式（如CSV）编写的，其中项之间用逗号分隔。

使用Apriori算法生成频繁项集：

frequent_itemsets <- apriori(data, parameter=list(support=0.5, confidence=0.7))

通过设置支持度和置信度阈值，您可以控制关联规则的最小值，这些规则必须满足这些指标。

提取关联规则：

association_rules <- subset(frequent_itemsets, subset=length(lhs)>1)

此步骤过滤出多个前项或项集之间的关联或关系。

应用和好处

关联规则挖掘在各个行业中有许多应用。

市场篮子分析： 确定客户交易中经常出现的产品/项目，以优化产品摆放策略。
客户行为分析： 根据客户购买历史了解客户的购买模式/偏好。
推荐系统： 根据用户的历史行为建议产品或服务，提供推荐引擎的能力。
欺诈检测： 分析过去的欺诈案例，发现可疑的交易/模式。
医疗保健分析： 分析患者记录，有效地识别与特定治疗或程序相关的症状或疾病。

使用R编程实现关联规则挖掘

为了在R编程语言中执行高效的关联规则挖掘任务，可以使用诸如arules包等强大的库提供的预构建函数和算法。这些库简化了从数据集生成关联规则的过程。

步骤

步骤1： 数据准备−在R编程示例目录中启动我们的关联规则挖掘过程。

步骤2： 安装适当的库，以便在R编程语言中顺利执行我们的分析，用于关联规则。

步骤3： 加载事务数据库，下一步是将准备好的数据集加载到R中。

步骤4： 应用Apriori算法，此算法广泛用于从事务数据库中发现频繁的项目集。

步骤5： 支持表示需要包含特定项集的最小比例的事务数。

步骤6： minlen和maxlen分别确定生成规则的最小和最大长度。

步骤7： Target指定所感兴趣的关联规则类型。

步骤8： 可视化结果，使用我们的R编程实现提取有趣的关联规则。该命令将以表格形式显示前十个提取的关联规则。

示例

install.packages("arules") library(arules) 
data <- read.transactions("dataset.csv", format = "basket", sep =",", rm.duplicates=TRUE) rules <- apriori(data, 
 parameter=list(support=0.01,minlen=2,maxlen=5,target="rules")) 
inspect(rules[1:10])

dataset.csv输入文件

item1,item2,item3 
item2,item3,item4 
item1,item3,item4 
item1,item2,item4

输出

lhs                   rhs                support confidence lift [1] {item1,item2}     => 
{item3}            0.02    0.80       1.33 
[2] {item2,item3}     => {item1}            0.02    0.67       1.11 
[3] {item1,item3}     => {item2}            0.02    0.50       0.83 
[4] {item4}           => {item2,item3}      0.01    0.50       0.83 
[5] {item2,item4}     => {item3}            0.01    1.00       1.67 
[6] {item3,item4}     => {item2}            0.01    0.67       1.11 
[7] {item1,item2}     => {item4}            0.01    0.40       1.33 
[8] {item1,item4}     => {item2}            0.01    0.50       0.83 
[9] {item2,item3,item4} => {item1}          0.01    1.00       1.67 
[10]    {item1,item2,item3} => {item4}          0.01    0.50       1.67