数据挖掘之关联规则算法
你好，我是林骥。
曾经有一段时间，「数据挖掘」这个概念很火，其中「啤酒与尿布」的故事广为流传。
据说，沃尔玛为了准确了解客户的购买习惯，对其客户的购物行为进行购物篮分析，想知道客户经常一起购买的商品有哪些。
在沃尔玛的数据仓库里，有非常详细的原始订单数据，数据分析师利用算法，对这些原始订单数据进行分析和挖掘，发现「跟尿布一起购买最多的商品竟然是啤酒」。
经过大量的调查和分析，发现客户的一种行为模式：一些年轻的父亲下班后，经常要到超市去买尿布，而他们中有 30%～40% 的人，同时也为自己买一些啤酒。
后来「大数据」和「人工智能」的概念兴起，我感觉说「数据挖掘」的人已经不多了。但是，这些不同概念的背后，一些算法的原理其实是相同的。
比如说，关联规则算法，就是从一件事情的发生，来推测另外一件事情发生的概率，从而帮助我们更好地了解和掌握事物的发展规律。
关联规则算法的应用非常广泛，例如：交叉销售、商品摆放、流失分析、价格分析、习惯分析等。
应用关联规则算法时，通常会涉及几个重要的参数，分别是：项目集、支持度、置信度、重要性。
举一个简单的例子，假设有 3 笔订单，对应的产品明细如下：
| 订单号 | 产品明细 |
| 10001 | 啤酒，尿布 |
| 10002 | 啤酒，尿布 |
| 10003 | 尿布 |
1. 项目集
每个项目集都有一个大小，该大小表示项目集中包含的项的数目。
比如说，在上面的例子中，包含 3 个项目集，分别是：{啤酒}、{尿布}、{啤酒，尿布}。项目集 {啤酒} 的大小是 1，项目集 {啤酒，尿布} 的大小是 2。
频繁项目集，就是在数据集中出现频率高的那些项目集。
2. 支持度
支持度表示一个项目集出现的次数。
比如说，项目集 {啤酒，尿布} 的支持度，是同时包含啤酒和尿布的订单总个数是 2 个。
在处理关联规则之前，先指定一个最小的支持度，用于对项目集进行限制，表示用户只对某些项目集感兴趣。
3. 置信度
置信度是一个表示概率的属性。
比如说，在上面的例子中，对于购买啤酒的客户，同时购买尿布的置信度是 100%。
在处理关联规则之前，先指定一个最小的置信度，用于对规则进行限制，表示用户只对某些规则感兴趣，这些规则要大于或等于最小的概率。
4. 重要性
实际挖掘出来的一些关联规则，并非都是有用的，有时候甚至是有一定的误导性，所以重要性这个指标就显得非常重要。
关联规则的重要性，是指在已知规则左侧的情况下，求规则右侧的对数可能性。
如果重要性分数为 0，那么表示没有关联；正的重要性分数表示正相关；负的重要性分数表示负相关。
最后的话
在数据分析中，面对不同的场景，运用适当的思维、算法或模型，可以帮助你更好地观察事物和看待世界，形成正确的认知，从而做出科学的决策。
这篇文章介绍的关联规则算法，相对比较专业，你不需要死记硬背，只需要有个大致的了解。
当你以后遇到类似的场景时，如果能够想起来有这么一种算法，然后就可以借助相关的软件，把它应用到实际业务中去，想方设法为业务赋能，从而创造更大的价值。
相关文章：决策树算法应用及结果解读
关注林骥，更多干货早知道。