美文网首页
手绘关联规则挖掘算法

手绘关联规则挖掘算法

作者: 数据社 | 来源:发表于2021-03-05 21:19 被阅读0次

公众号:数据社

关联规则简介

关联规则挖掘可以让我们从数据集中发现项与项之间的关系,它在我们的生活中有很多应用场景,“购物篮分析”就是一个常见的场景,这个场景可以从消费者交易记录中发掘商品与商品之间的关联关系,进而通过商品捆绑销售或者相关推荐的方式带来更多的销售量。

  1. 搞懂关联规则中的几个重要概念:支持度、置信度、提升度

  2. Apriori 算法的工作原理

  3. 在实际工作中,我们该如何进行关联规则挖掘

关联规则中重要的概念

我举一个超市购物的例子,下面是几名客户购买的商品列表:

订单编号 购买商品
1 牛奶、面包、尿布
2 可乐、面包、尿布、啤酒
3 牛奶、尿布、啤酒、鸡蛋
4 面包、牛奶、尿布、啤酒
5 面包、牛奶、尿布、可乐

支持度

支持度是个百分比,它指的是某个商品组合出现的次数与总次数之间的比例。支持度越高,代表这个组合出现的频率越大。

我们看啤酒出现了3次,那么5笔订单中啤酒的支持度是3/5=0.6。同理,尿布出现了5次,那么尿布的支持度是5/5=1。尿布和啤酒同时出现的支持度是3/6=0.6。

置信度

它指的就是当你购买了商品 A,会有多大的概率购买商品 B。

我们可以看上面的商品,购买尿布的同时又购买啤酒的订单数是3,购买啤酒的订单数是3,那么(尿布->啤酒)置信度= 3/3=1。

再看购买了啤酒同时购买尿布的订单数是3,购买尿布的订单数是5,那么(啤酒->尿布)置信度=3/5=0.6。

提升度

提升度代表的是“商品 A 的出现,对商品 B 的出现概率提升的”程度。所以我们在做商品推荐的时候,重点考虑的是提升度。

我们来看提升度公式:[图片上传失败...(image-d64187-1614950318118)] 那么我们来计算下尿布对啤酒的提升度是多少:

[图片上传失败...(image-79a01c-1614950318118)]

[图片上传失败...(image-632f09-1614950318118)]

[图片上传失败...(image-14a268-1614950318118)]

怎么解读1.67这个数值呢?

  1. 提升度 (A→B)>1:代表有提升

  2. 提升度 (A→B)=1:代表有没有提升,也没有下降

  3. 提升度 (A→B)<1:代表有下降。

其实看上面提升度的公式,我们就可以理解,也就是AB同时出现的次数越多,单独出现B的次数越少,那么支持度也就越大也就是B的出现总是伴随着A的出现,那么A对B出现的概率就越有提升!

Apriori 的工作原理

我们一起来看下经典的关联规则 Apriori 算法是如何工作的。

image

Apriori 算法其实就是查找频繁项集 (frequent itemset) 的过程,所以我们需要先了解是频繁项集。

频繁项集就是支持度大于等于最小支持度阈值的项集,所以小于最小值支持度的项目就是非频繁项集,而大于等于最小支持度的项集就是频繁项集。

下面我们来举个栗子:

image

假设我随机指定最小支持度是0.2。首先,我们先计算单个商品的支持度:

购买商品 支持度
牛奶 4/5
面包 4/5
尿布 5/5
可乐 2/5
啤酒 3/5
鸡蛋 1/5

因为最小支持度是 0.2,所以你能看到商品 鸡蛋 是不符合最小支持度的,不属于频繁项集,于是经过筛选商品的频繁项集如下:

购买商品 支持度
牛奶 4/5
面包 4/5
尿布 5/5
可乐 2/5
啤酒 3/5

在这个基础上,我们将商品两两组合,得到两个商品的支持度:

购买商品 支持度
牛奶、面包 3/5
牛奶、尿布 4/5
牛奶、可乐 1/5
牛奶、啤酒 2/5
面包、尿布 4/5
面包、可乐 2/5
面包、啤酒 2/5
尿布、可乐 2/5
尿布、啤酒 3/5
可乐、啤酒 1/5

筛选大于最小支持度(0.2)的数据后

购买商品 支持度
牛奶、面包 3/5
牛奶、尿布 4/5
牛奶、啤酒 2/5
面包、尿布 4/5
面包、可乐 2/5
面包、啤酒 2/5
尿布、可乐 2/5
尿布、啤酒 3/5

在这个基础上,我们再将商品三个组合,得到三个商品的支持度:

购买商品 支持度
牛奶、面包、尿布 3/5
牛奶、面包、可乐 1/5
牛奶、面包、啤酒 1/5
面包、尿布、可乐 1/5
面包、尿布、啤酒 2/5
尿布、可乐、啤酒 1/5

筛选大于最小支持度(0.2)的数据后

购买商品 支持度
牛奶、面包、尿布 3/5
面包、尿布、啤酒 2/5

在这个基础上,我们将商品四个组合,得到四个商品的支持度:

购买商品 支持度
牛奶、面包、尿布、可乐 1/5
牛奶、面包、尿布、啤酒 1/5
面包、尿布、可乐、啤酒 1/5

再次筛选大于最小支持度(0.2)数据的话,就全删除了,那么,此时算法结束,上一次的结果就是我们要找的频繁项,也就是{牛奶、面包、尿布}、{面包、尿布、啤酒}。

image

我们来总结一下上述Apriori算法过程:

  1. K=1,计算 K 项集的支持度

  2. 筛选掉小于最小支持度的项集

  3. 如果项集为空,则对应 K-1 项集的结果为最终结果

  4. 否则 K=K+1,重复 1-3 步

我们可以看到 Apriori 在计算的过程中有以下几个缺点:

  1. 可能产生大量的候选集。因为采用排列组合的方式,把可能的项集都组合出来了

  2. 每次计算都需要重新扫描数据集,来计算每个项集的支持度

这就好比我们数据库中的“全表扫描”查询一样,非常浪费IO和时间。在数据库中我们都知道使用索引来快速检索数据,那Apriori 能优化吗?

Apriori 的改进算法:FP-Growth 算法

FP-growth算法是基于Apriori原理的,通过将数据集存储在FP树上发现频繁项集,但不能发现数据之间的关联规则。FP-growth算法只需要对数据库进行两次扫描,而Apriori算法在求每个潜在的频繁项集时都需要扫描一次数据集,所以说Apriori算法是高效的。其中算法发现频繁项集的过程是:(1)构建FP树;(2)从FP树中挖掘频繁项集。

image

创建项头表

概念知识不在这凑字数了,我们直接来干货!假设我们从以下数据中来挖掘频繁项。

image

首先创建,项头表,这一步的流程是先扫描一遍数据集,对于满足最小支持度的单个项按照支持度从高到低进行排序,这个过程中删除了不满足最小支持度的项(假设最小支持度是0.2)。

image

构建FP树

整个流程是需要再次扫描数据集,对于每一条数据,按照支持度从高到低的顺序进行创建节点(也就是第一步中项头表中的排序结果),节点如果存在就将计数 count+1,如果不存在就进行创建。同时在创建的过程中,需要更新项头表的链表。

image

先把原始数据按照支持度排序,那么原始数据变化如下:

[图片上传失败...(image-add9e4-1614950318118)]

下面我们把以上每行数据,按照顺序插入到FP树中,注意FP树的根节点记为 NULL 节点。

image

接下来插入第二行数据,由于第二行数据第一个数据也是B,和已有的树结构重合,那么我们保持原来树结构中的B位置不变,同时计数加1,C、D是新增数据,那么就会有新的树分叉,结果如下图:

image

以此类推,读取下面的三行数据到FP树中

image

最后生成的FP数如下:

image

根据FP数挖掘频繁项

我们终于把FP树建立好了,那么如何去看这颗树呢?得到 FP 树后,需要对每一个频繁项,逐个挖掘频繁项集。具体过程为:首先获得频繁项的前缀路径,然后将前缀路径作为新的数据集,以此构建前缀路径的条件 FP 树。然后对条件 FP 树中的每个频繁项,获得前缀路径并以此构建新的条件 FP 树。不断迭代,直到条件 FP 树中只包含一个频繁项为止(反正我第一次看完这句话是没理解)。

image

FP树是从下往上看了,也就是根据子节点找父节点,接下来还是来图解~

首先,我们看包含A的频繁项:

image

我们可以看到包含A的树有两个,我们先看树2,可以得到路径{B:2,C:2},此处的2是根据A出现的次数定的。接着我们创建FP树,具体的创建过程和上面创建 FP 树的过程一样,如下图:

image

注意此时头指针表中包含两个元素,所以对每个元素,需要获得前缀路径,并将前缀路径创建成条件 FP 树,直到条件 FP 树中只包含一个元素时返回。

  • 对元素 B,获得前缀路径为{},则频繁项集返回{A:2,B:2};

  • 对元素 C,获得前缀路径{B:2},则将前缀路径创建成条件 FP 树,如下图 所示。

    注意此时条件 FP 树中只包含一个元素,故返回频繁项集{A:2,C:2,B:2}。由于元素 C 也是频繁项,所以{A:2,C:2}也是频繁项集。

image

再加上{A:2}本身就是频繁项集,所以 A 对应的频繁项集有:{A:2},{A:2,C:2} ,{A:2,B:2},{A:2,C:2,B:2}。

同理,我们来看树1,树1比较简单,就一个路径{B:1},根据上述方法我们得到此分支频繁项为{A:1,B:1},{A:1}。

综上,我们可以看到两个分支都包含频繁项{A,B},{A}的,此时我们进行合并两个分支,得到包含A的频繁项:{A:3},{A:3,B:3},{A:2,C:2} ,{A:2,C:2,B:2},我们用出现的次数转换下,即 (A,): 3, (A, B): 3, (A, C): 2, (A, B, C): 2。

同理,按照上述方法,我们可以依次找到包含B的频繁项是(D): 2, (C, D): 2, (B, D): 2, (B, C, D): 2, (C): 4, (B, C): 4, (B): 5。

image

实践总结

经典的算法,很多大神已经实现,我们直接拿来用就行了,比如上面的FP-GROWTH算法,介绍一款专门的包pyfpgrowth。

代码:

import pyfpgrowth as fp
itemsets = [['A','B'],['B','C','D'],['B','C'],['A','B','C'],['A','B','C','D']]
patterns = fp.find_frequent_patterns(itemsets, 2)
print(patterns)
{('D',): 2, ('C', 'D'): 2, ('B', 'D'): 2, ('B', 'C', 'D'): 2, ('A',): 3, ('A', 'B'): 3, ('A', 'C'): 2, ('A', 'B', 'C'): 2, ('C',): 4, ('B', 'C'): 4, ('B',): 5}

很对人会问算法原理看着很费劲,直接两行代码搞定。我们还看原理干嘛,直接写(抄)代码不就行了。我举个例子哈,记得上小学3年级的时候,有一次数学考试,老师出了一道附加题:

附加题(10分):求1+2+3+…+99+100的和。提示:参考梯形面积计算公式。

当然,对于一个初中生,这道题很好解答,但对于一个小学三年级的学生来说还是比较难的。但是,我知道梯形的计算公式:

梯形面积 = (上底+下底)×高÷2

所以,就按照这个计算了

1+2+3+…+99+100 = (1 + 100)x100÷2

其实,算法原理也是一样,我们了解后,可以举一反三的使用,并不一定总是在一个场景下使用的。

相关文章

  • 手绘关联规则挖掘算法

    公众号:数据社 关联规则简介 关联规则挖掘可以让我们从数据集中发现项与项之间的关系,它在我们的生活中有很多应用场景...

  • 推荐系统第四周-基于频繁模式的推荐系统

    数据挖掘:关联规则挖掘 关联规则挖掘:Apriori算法 提高Apriori的效率 基于散列的算法基于FP tre...

  • Apripri关联算法

    一、关联规则挖掘定义大多数关联规则挖掘算法通常采用的一种策略是,将关联规则挖掘任务分解为如下两个主要的子任务:频繁...

  • 关联规则挖掘算法

    设为所有项目的集合,为事务数据库,事物是一个项目子集()。每一个事务具有唯一的事务标识。设是一个由项目构成的集合,...

  • 关联规则挖掘算法

    关联规则挖掘是一种基于规则的机器学习算法,该算法可以在大数据库中发现感兴趣的关系。它的目的是利用一些度量指标来分辨...

  • 数据挖掘知识

    关联 关联:是指一个事件和另一个事件之间的依赖关系,关联规则挖掘就是发掘数据库中的关联关系基本的关联规则挖掘算法:...

  • 关联规则挖掘算法的介绍

    学号:17020110019 姓名:高少魁 【嵌牛导读】关联规则挖掘算法是数据挖掘中的一种常用算法,用于发现隐藏...

  • 数据挖掘:Apriori(先验)算法

    介绍 先验(Apriori)算法是挖掘关联式规则(Association Rules)的经典算法之一。它的作用就是...

  • 加权关联规则挖掘算法

    加权关联规则挖掘 在 R 语言中的 arules 包有该算法的实现,故花时间研究了一下该算法的原理和产生的背景。关...

  • 数据挖掘算法之关联规则挖掘

    关联规则挖掘的概念 在事务,关系数据库中的项集和对象中发现频繁模式,关联规则,相关性或者因果结构。 频繁模式:频繁...

网友评论

      本文标题:手绘关联规则挖掘算法

      本文链接:https://www.haomeiwen.com/subject/vuudqltx.html