關聯規則 association rules

關聯規則 (Association Rules) 

參考連結:  http://myweb.fcu.edu.tw/~mhsung/Ecommerce/Data_Mining/Association_Folder/DM_association.htm

優點	缺點
採用的計算模式簡單易懂 所產生的結論簡單易懂 適合非監督式資料 能分析不同形式的原始資料	當商品數量增加，運算會隨之而成幾何級數增加 不特別重視商品的個別特性 難以決定組合的適合商品數 容易剔除(忽略)罕見的商品

理論

當挖掘演算法所找出的規則滿足使用者訂定的最小的minimum support與minimum confidence的門檻時，這個規則才會成立。

元組	出現頻率
A	45%
B	42.5%
C	40%
A和B	25%
A和C	20%
B和C	15%
A和B和C	5%

 Support： 就是一個元組在整個資料庫中出現的機率。P（condition）minimum support：界定一個規則必須涵蓋的最少資料數目

 Confidence：界定一個規則預測強度(信心水準)。P（condition and result）/ P（ condition）minimum confidence可信度：界定一個規則最小預測強度(信心水準)。

 提高率（興趣度）：P ( condition and result) / P ( condition) * P ( result )

• 當興趣度大於1的時候，這條規則比較好的；
• 當興趣度小於1的時候，這條規則沒有很大意義的，應該略去這樣的一些規則。
• 興趣度越大，規則的實際意義就越好。

關聯規則的種類

屬性值：(1) Boolean association rule ：僅探討item是否出現 (2) Association rule with repeated items 探討item的購買數量

資料維度：(1)單一維度關聯規則(single dimensional association rules若買牛奶，則會買麵包。 (2) 多重( multi dimensional association rules) 加上「年齡」「收入」「購買」三個維度。

抽象層級：在規則中的項目或屬性可以跨不同的概念層級。如「年齡」與「Toyota汽車」

規則	說明	範例
若 A 則  B	若"條件句"，則"結論句"。	若買柳橙汁則會買牛奶(80%)
若 B 則 A		若買牛奶則會買柳橙汁(70%)
若 A 則 非B		若買清潔劑則不會買牛奶(60%)
若 (A 與 B )則  C	會比" 若 A 則  B 與 C " 有用	若買柳橙汁與牛奶則會買汽水
若 A 則 (B 與 C)		若買柳橙汁則會買牛奶與汽水
若 (A 與 非B )則 C	(無關規則Dissociation Rules)
若 非A 與 非B 則 非 C		若沒買柳橙汁且沒買汽水則也不會買牛奶

流程

選擇正確的物品組合 ，越詳細的分類代表分析結果會越實用，但是資料量會隨之而增加。組合數會依照商品數量成幾何級數增加，在一百種商品的情況下，三種商品的組合為161,700種。將少見的商品用較高階的分類項歸類，如此一來，出現的機會會較多。
經由關聯矩陣產生規則：

虛擬標籤(Virtual Items)

虛擬標籤的目的在幫助分析過程中，利用分類法所無法提供的資訊，來描述一筆交易，但它們並不是真的分類項 ，可以用來比較差異。
<蘇打水>：可口可樂， 百事可樂
<低糖蘇打水>：健怡可樂 ，低糖百事可樂

應用

• 實行目標行銷
• 進行市場區隔
• 選擇目標顧客
• 分析顧客行為，銀行提供的多項服務，來分析客戶可能需要那些服務。
• 改進市場陳設
• 組合搭設商品，電話公司提供的多項套裝(捆綁銷售)服務。
• 發堀不良率，不尋常的多項保險申請，可能是欺詐行爲。