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)召嘶，本人也是之前一點(diǎn)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哮缺，我會盡我最大的努力來進(jìn)行闡述苍蔬。我們一起共勉。學(xué)習(xí)資料來源蝴蜓，《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(jī)械工業(yè)出版社。
案例：商業(yè)零售業(yè)中的購物籃分析
一俺猿、挖掘目標(biāo)的提出
零售商的問題：
銷售什么樣子的商品茎匠？
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押袍？
針對以上的問題诵冒，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)律谊惭。所以基于問題的分析汽馋，我們明確了數(shù)據(jù)來源。那么我們明確了數(shù)據(jù)的來源圈盔，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)豹芯。
二、分析方法與過程
根據(jù)所要實(shí)現(xiàn)的目標(biāo)挥下，我們先來介紹一個經(jīng)典的關(guān)聯(lián)規(guī)則挖掘算法：Apriori算法递雀。
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)項集排吴；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)行取舍握牧，最后得到強(qiáng)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)算法的核心娩梨。
主要步驟：
其中在這個算法中沿腰，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狈定，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）颂龙。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掸冤。
具體的簡單應(yīng)用讀者可以自己自行從網(wǎng)上找取資源厘托。
下面我們來總結(jié)一下Apriori算法的優(yōu)缺點(diǎn)：
Apriori算法應(yīng)用的領(lǐng)域多樣，其中主要包括：商業(yè)稿湿、網(wǎng)絡(luò)安全铅匹、高效管理和移動通信等領(lǐng)域的應(yīng)用。
介紹完Apriori算法之后饺藤，我們回歸我們的案例分析包斑，基于關(guān)聯(lián)規(guī)則的購物籃分析流礁。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罗丰，一部分是建模專家樣本數(shù)據(jù)的輸入神帅，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)過上述的分析萌抵，我們可以發(fā)現(xiàn)找御，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)則绍填，這有利于我們進(jìn)行商品定價和商品的擺放霎桅。合理的制定消費(fèi)策略
