关联规则学习

关联规则学习是一种无监督学习技术，它检查一个数据项与其他数据项的依赖性，并进行相应的映射，以便更有利可图。它试图发现数据集中变量之间的一些有趣的关系或关联。它基于不同的规则来发现数据库中变量之间的有趣关系。

关联规则学习是机器学习中一个非常重要的概念，它被应用于市场篮子分析、Web 使用挖掘、连续生产等。其中，市场篮子分析是各种大型零售商用来发现物品之间关联性的技术。我们可以通过超市的例子来理解它，因为在超市里，所有一起购买的产品都会被放在一起。

例如，如果顾客买了面包，他很可能也会买黄油、鸡蛋或牛奶，所以这些产品会放在同一个货架上或附近。请看下图

关联规则学习可以分为三种算法

1. Apriori
2. Eclat
3. F-P Growth 算法

我们将在后面的章节中介绍这些算法。

关联规则学习是如何工作的？

关联规则学习基于“如果...那么...”语句的概念，例如“如果 A 那么 B”。

这里的“如果”部分称为前提（antecedent），“那么”部分称为结论（Consequent）。这种可以找到两个项目之间关联或关系的关系被称为单基数（single cardinality）。它与创建规则有关，如果项目数量增加，基数也会相应增加。因此，为了衡量成千上万个数据项之间的关联，有几种指标。这些指标如下所示

• 支持
• 信心
• 升降机

让我们逐一了解它们

支持

支持度（Support）是 A 的频率，或者一个项目在数据集中出现的频率。它定义为包含项集 X 的事务 T 的分数。如果存在 X 个数据集，那么对于事务 T，可以写成

信心

置信度（Confidence）表示规则被发现为真的频率。或者在 X 已经出现的情况下，X 和 Y 一起出现在数据集中的频率。它是包含 X 和 Y 的事务数与包含 X 的记录数的比率。

升降机

它是任何规则的强度，可以用下面的公式定义

它是观察到的支持度与 X 和 Y 相互独立时的预期支持度的比率。它有三个可能的值

• 如果提升度（Lift）= 1：前提和结论出现的概率是相互独立的。
• 提升度（Lift）>1：它确定了两个项集相互依赖的程度。
• 提升度（Lift）<1：它告诉我们一个项目是另一个项目的替代品，这意味着一个项目对另一个项目有负面影响。

关联规则学习的类型

关联规则学习可以分为三种算法

Apriori 算法

该算法使用频繁项集来生成关联规则。它被设计用于包含事务的数据库。该算法使用广度优先搜索和哈希树来有效地计算项集。

它主要用于市场篮子分析，并有助于理解可以一起购买的产品。它也可以用于医疗保健领域，以查找患者的药物反应。

Eclat 算法

Eclat 算法代表等价类转换（Equivalence Class Transformation）。该算法使用深度优先搜索技术在事务数据库中查找频繁项集。它的执行速度比 Apriori 算法快。

F-P Growth 算法

F-P Growth 算法代表频繁模式（Frequent Pattern），它是 Apriori 算法的改进版本。它将数据库表示为一种称为频繁模式或树的树形结构。这种频繁树的目的是提取最频繁的模式。

关联规则学习的应用

它在机器学习和数据挖掘中有多种应用。以下是关联规则学习的一些流行应用

• 市场篮子分析：这是关联规则挖掘的一个流行示例和应用。大型零售商通常使用此技术来确定商品之间的关联。
• 医学诊断：借助关联规则，可以轻松治愈患者，因为它有助于识别特定疾病的患病概率。
• 蛋白质序列：关联规则有助于确定人工蛋白质的合成。
• 它还用于目录设计和失血分析以及许多其他应用。