數(shù)據(jù)挖掘案例分析（1）－Apriori算法

前言：由于單單學(xué)習(xí)算法太過于枯燥和乏味，所以我們采取的學(xué)習(xí)方法是練中學(xué)，本人也是之前一點關(guān)于數(shù)據(jù)挖掘的算法知識沒有學(xué)習(xí)，因此可能在理解上還不是很到位，我會盡我最大的努力來進(jìn)行闡述。我們一起共勉。學(xué)習(xí)資料來源，《數(shù)據(jù)挖掘十大算法》－清華大學(xué)和《數(shù)據(jù)挖掘?qū)嵱冒咐治觥罚瓩C械工業(yè)出版社。

案例：商業(yè)零售業(yè)中的購物籃分析

一、挖掘目標(biāo)的提出

零售商的問題：

銷售什么樣子的商品？

采取什么樣的銷售策略和促銷方式？

商品在貨架上的擺放位置？

針對以上的問題，我們需要分析客戶的購買數(shù)據(jù)，才能發(fā)現(xiàn)顧客的購買規(guī)律。所以基于問題的分析，我們明確了數(shù)據(jù)來源。那么我們明確了數(shù)據(jù)的來源，對這些數(shù)據(jù)該采取什么樣的分析方法才能達(dá)到我們想要完成的目標(biāo)。

二、分析方法與過程

根據(jù)所要實現(xiàn)的目標(biāo)，我們先來介紹一個經(jīng)典的關(guān)聯(lián)規(guī)則挖掘算法：Apriori算法。

Apriori算法：關(guān)聯(lián)規(guī)則挖掘問題可以劃分為兩個子問題：第一是找出事務(wù)數(shù)據(jù)庫中所有大于等于用戶指定的最小支持度的數(shù)據(jù)項集；第二個是利用頻繁項集生成所需要的關(guān)聯(lián)規(guī)則。根據(jù)用戶設(shè)定的最小置信度進(jìn)行取舍，最后得到強關(guān)聯(lián)規(guī)則。識別或發(fā)現(xiàn)所有頻繁項目集是關(guān)聯(lián)規(guī)則發(fā)現(xiàn)算法的核心。

主要步驟：

其中在這個算法中，為了達(dá)到用戶的一定要求，需要指定規(guī)則必須滿足的支持度和置信度閾值，此兩個值稱為最小支持度閾值（min_sup）和最小置信度閾值（min_conf）。其中min_sup描述了關(guān)聯(lián)規(guī)則的最低重要度，min_conf規(guī)定了關(guān)聯(lián)規(guī)則必須滿足的最低可靠性。

具體的簡單應(yīng)用讀者可以自己自行從網(wǎng)上找取資源。

下面我們來總結(jié)一下Apriori算法的優(yōu)缺點：

Apriori算法應(yīng)用的領(lǐng)域多樣，其中主要包括：商業(yè)、網(wǎng)絡(luò)安全、高效管理和移動通信等領(lǐng)域的應(yīng)用。

介紹完Apriori算法之后，我們回歸我們的案例分析，基于關(guān)聯(lián)規(guī)則的購物籃分析。那么關(guān)聯(lián)規(guī)則的挖掘過程如圖：

三、建模仿真

1模型輸入

模型的輸入包括兩部分，一部分是建模專家樣本數(shù)據(jù)的輸入，另外一部分是建模參數(shù)的輸入。

建模參數(shù)如下表：

2具體的仿真過程：

經(jīng)過上述的分析，我們可以發(fā)現(xiàn)，在彼此不同的屬性之間，可以發(fā)現(xiàn)它們之間的關(guān)聯(lián)規(guī)則，這有利于我們進(jìn)行商品定價和商品的擺放。合理的制定消費策略