3CRM-教学-学生概念.pptVIP

Apriori算法：找频繁项集 1、在第一轮循环中，所有1项目（只有1项）集是候选项目集，从中筛选出 支持度最小支持度的项目放入频繁项目集 2、在第二轮循环中，只有频繁1项目组成的2项目才是候选项目，从中筛选出 支持度最小支持度的2项目放入频繁项目集。 3、继续循环，直至n轮循环，所有的频繁项目选出，频繁项目集形成。 客户响应预测 优惠服务—— 下一个有可能响应优惠服务的客户，或许与以前已经响应的客户类似。 抱怨服务—— 客户抱怨的文本，归入一系列固定的分类代码 步骤 1、建立训练集 2、每个字段只建立一个距离函数 3、组合距离函数 小结 掌握： CRM的概念、类型（操作、分析、协作）； 数据仓库的定义 数据挖掘的算法介绍 重点： 决策树算法、关联算法、最近邻方法 Apriori算法：使用候选项集找频繁项集 由频繁项集产生关联规则 40% A和B 60% B 40% C 60% A 支持度 频繁项目 支持度 频繁项目 分析结果： 可信度：它是针对规则而言的。指在出现了物品集A 的事务T 中，物品集B 也同时出现的概率有多大。 可信度=p（condition and result）/p（condition）。 规则1：if A THEN B , 可信度？ 可信度= （A和B）/ A = 40% / 60% = 67% 设A=足球服，B=足球鞋， C=足球。 40% A和B 60% B 40% C 60% A 支持度 频繁项目 支持度 频繁项目 分析结果： 可信度：它是针对规则而言的。指在出现了物品集A 的事务T 中，物品集B 也同时出现的概率有多大。 可信度=p（condition and result）/p（condition）。 规则2：if A THEN C , 可信度？ 可信度= （A和C）/ A = 20% / 60% = 33% 设A=足球服，B=足球鞋， C=足球。 40% A和B 60% B 40% C 60% A 支持度 频繁项目 支持度 频繁项目 AC的支持度：20% 分析结果： 可信度：它是针对规则而言的。指在出现了物品集A 的事务T 中，物品集B 也同时出现的概率有多大。 可信度=p（condition and result）/p（condition）。 假设可信度50%，规则有意义！ 规则1：if A THEN B , 可信度=67% 规则2：if A THEN C , 可信度=33% 规则1有意义 设A=足球服，B=足球鞋， C=足球。 40% A和B 60% B 40% C 60% A 支持度 频繁项目 支持度 频繁项目 分析结果： 设A=足球服，B=足球鞋， C=足球。 兴趣度：物品集A 的出现对物品集B 的出现有多大的影响。 兴趣度=p(condition and result)/p(condition)*p(result)。 ——当兴趣度大于1的时候，这条规则就是比较好的； ——当兴趣度小于1的时候，这条规则就是没有很大意义的。 规则1：if A THEN B , 兴趣度？ 兴趣度= （A和B）/ （A*B） = 40% / （60% * 60%）= 1.11 1 有意义 40% A和B 60% B 40% C 60% A 支持度 频繁项目 支持度 频繁项目 分析结果： 设A=足球服，B=足球鞋， C=足球。 规则2：if A THEN C , 兴趣度？ 兴趣度= （A和C）/ （A*C） = 20% / （60% * 40%）= 0.83 1 40% A和B 60% B 40% C 60% A 支持度 频繁项目 支持度 频繁项目 AC的支持度：20% 分析结果： 设A=足球服，B=足球鞋， C=足球。 规则：if A and B THEN C , 求可信度和兴趣度，并确定此规则是否有意义（按照兴趣度C=1判断）？ 40% A和B 60% B 20% ABC 40% C 60% A 支持度 项目 支持度 项目 练习 分析结果： 设A=足球服，B=足球鞋， C=足球。 可信度=p（condition and result）/p（condition）。 兴趣度：物品集A 的出现对物品集B 的出现有多大的影响。 兴趣度=p(condition and result)/p(condition)*p(result)。 A、B、C的支持度为20% 规则：if A and B THEN C , 可信度？ 可信度= （A、B和C）/ （A、B） = 20% / 40%= 50% 规则：If A and B then C ？ 40% A和B 60% B 40% C 60% A 支持度 频繁项目