關聯(lián)規(guī)則挖掘與分類規(guī)則挖掘的區(qū)別和聯(lián)系摘要本文介紹了關聯(lián)規(guī)則挖掘的研究現(xiàn)狀，并提出了一些典型的關聯(lián)規(guī)則計算方法進行分析和評價。它是通過數(shù)學模型分析企業(yè)存儲的大量數(shù)據(jù)，找出不同的客戶或細分市場，分析消費者的偏好和行為的方法，這是數(shù)據(jù)庫知識發(fā)現(xiàn)的一個步驟，數(shù)據(jù)挖掘一般是指從大量數(shù)據(jù)中自動尋找隱藏著特殊關系的信息的過程，主要有三個步驟:數(shù)據(jù)準備、規(guī)則發(fā)現(xiàn)和規(guī)則表示。數(shù)據(jù)挖掘的任務包括相關性分析、聚類分析、分類分析、異常分析、特殊群體分析和演化分析。

它是一門利用數(shù)據(jù)來發(fā)現(xiàn)和解決問題的學科。通常是通過對數(shù)據(jù)的探索、處理、分析或建模來實現(xiàn)的。我們可以看到數(shù)據(jù)挖掘有以下特點:基于大量數(shù)據(jù):并不是說不能對少量數(shù)據(jù)進行挖掘。事實上，大多數(shù)數(shù)據(jù)挖掘算法都可以在少量數(shù)據(jù)上運行并得到結果。但是，一方面，少量的數(shù)據(jù)可以通過人工分析完全概括，另一方面，少量的數(shù)據(jù)往往不能反映現(xiàn)實世界中的普遍特征。

網(wǎng)絡故障定位會用到，正在研究中。這話怎么說？說說我的理解，錯了不要怪！首先，這些關聯(lián)規(guī)則是具體業(yè)務數(shù)據(jù)和具體統(tǒng)計結果中的結果導向規(guī)則，不能說具有普遍價值。第二，這些規(guī)則在某個特定的業(yè)務領域是保密的，或者對于擁有這個挖掘系統(tǒng)的公司來說是保密的。因為這屬于公司如何獲取具體關鍵決策依據(jù)的核心信息。所以，我覺得我不能給公眾看。

至少對于原公司來說是這樣，否則外人是看不出來的。所以我說這些關聯(lián)規(guī)則其實應該是根據(jù)單位的業(yè)務需求定制的，來做數(shù)據(jù)挖掘。這不是一個公式那么簡單。甚至公式可能都要完全根據(jù)需求來定義。當然，一般來說，我們可以從一堆數(shù)據(jù)中統(tǒng)計出一些數(shù)據(jù)結果，然后根據(jù)業(yè)務的相關觸發(fā)關系，引出其他可能相關或者看起來完全不相關的結果。而這種“業(yè)務相關的觸發(fā)關系”根據(jù)不同的單位情況是不同的。

在自然界中，當某件事情發(fā)生時，其他事件也會發(fā)生。這種聯(lián)系叫做聯(lián)想。相關性分析就是發(fā)現(xiàn)事物之間一些有趣的關系。最著名的是購物籃分析。商場分析，用戶經(jīng)常同時購買“啤酒、紙尿褲”、“籃球”、“籃球服”等產(chǎn)品組合，所以把它們放在一起促銷。對這種關系的分析，不僅可以根據(jù)訪問者日志數(shù)據(jù)發(fā)現(xiàn)訪問者瀏覽習慣與網(wǎng)站頁面之間的關系，還可以為應用和網(wǎng)站設計者提供幫助。

與興趣評價相關的衡量標準包括:簡單性、正確性、實用性和新穎性。1)簡潔:過于復雜的規(guī)則會降低用戶的興趣，難以解釋和理解。2)正確性:有多大的說服力。正確性的標準是置信度，它表示這個規(guī)則是正確的概率。即在一個物品X出現(xiàn)的前提下，另一個物品Y多長時間出現(xiàn)一次？

Data Mining:Concepts and Technologies這樣寫道:“關聯(lián)規(guī)則如果滿足最小支持度閾值和最小置信度閾值，就被認為是有趣的。這些閾值可以由用戶或領域專家來設置?！蔽矣X得基于你現(xiàn)有的數(shù)據(jù)集做實驗，通過實驗結果來確定那個閾值是合理的。因為閾值與數(shù)據(jù)集密切相關。

摘要介紹了關聯(lián)規(guī)則挖掘的研究現(xiàn)狀，并對關聯(lián)規(guī)則的一些典型計算進行了分析和評價。關聯(lián)規(guī)則的形式是X→Y，其中X和Y分別稱為先行或左手側(LHS)和結果或右手側(RHS)。其中關聯(lián)規(guī)則XY有支持和信任。3.3的節(jié)點定義的描述。熱點關聯(lián)規(guī)則樹:由于這里加入了連續(xù)屬性數(shù)據(jù)，單個節(jié)點需要一個布爾變量lessThan來表示是大于還是小于節(jié)點數(shù)據(jù)，stateIndex應該是數(shù)值(當前節(jié)點的值)而不是離散數(shù)據(jù)狀態(tài)的下標。

Apriori算法:利用候選項集發(fā)現(xiàn)頻繁項集Apriori算法是挖掘布爾關聯(lián)規(guī)則頻繁項集最有影響力的算法。其核心是一種基于兩階段頻率集思想的遞歸算法。該關聯(lián)規(guī)則在分類上屬于單維、單層、布爾型關聯(lián)規(guī)則。這里，所有支持度大于最小支持度的項集稱為頻繁項集，簡稱為頻率集。算法的基本思想是:首先找出所有的頻率集，并且這些項集的頻率至少與預定義的最小支持度相同。

然后利用步驟1中找到的頻率集生成期望規(guī)則，生成所有只包含集合項的規(guī)則，其中每條規(guī)則的右邊只有一項，這里采用了中間規(guī)則的定義。一旦生成這些規(guī)則，只有那些大于用戶給定的最小可信度的規(guī)則被留下，為了生成所有頻率集，使用遞歸方法。Apriori算法采用逐層搜索的迭代方法，簡單明了，無需復雜的理論推導，易于實現(xiàn)。