关联规则可以分为布尔型和数值型.PPTVIP

5多层和多维关联规则的挖掘 一个有效的数据挖掘方法应该可以进行探索性的数据分析。用户往往希望能在数据库中穿行，选择各种相关的数据，在不同的细节层次上进行分析，以各种不同的形式呈现知识。 5.1多层关联规则 对于事务数据库来说，一些项所隐含的概念是有层次的。例如，我们说商品“羽绒服”，对于另一个分析和决策应用来说，就可能关心它的更高层次概念：“冬季服装”、“服装”等。对不同用户而言，可能某些特定层次的关联规则更有意义。同时，由于数据的分布和效率方面的考虑，数据可能在多层次粒度上存储，因此多层关联规则就可能得出更深入、更有说服力的知识。 多层关联规则的分类：同层关联规则和层间关联规则。 多层次概念示例 日用品 服装 食品 夏季服装 冬季服装 羽绒服 大衣 品牌1 品牌2 面包 牛奶 鲜奶 酸奶 品牌1 品牌2 多层关联规则的挖掘基本上可以沿用“支持度-可信度”的框架。不过，在支持度设置的问题上有一些要考虑的东西。 同层关联规则可以采用两种支持度策略： 统一的最小支持度。对于不同的层次，都使用同一个最小支持度。这样对于用户和算法实现来说都比较的容易，但是弊端也是显然的。 递减的最小支持度。每个层次都有不同的最小支持度，较低层次的最小支持度相对较小。同时还可以利用上层挖掘得到的信息进行一些过滤的工作。 层间关联规则考虑最小支持度的时候，应该根据较低层次的最小支持度来定。 5.2多维关联规则 对于多维数据库而言，还有一类多维的关联规则。 例如： 年龄（X，“20...30”）∧职业（X,“学生”） = 购买(X，“笔记本电脑”) 在这里我们就涉及到三个维上的数据：年龄、职业、购买。 根据是否允许同一个维重复出现，可以又细分为维间的关联规则（不允许维重复出现）和混合维关联规则（允许维在规则的左右同时出现）。 混合维关联规则：年龄（X，“20...30”）∧购买(X，“笔记本电脑”) = 购买(X，“打印机”) 在挖掘多维关联规则的时候，还要考虑数值型字段的离散化等处理问题。 6规则价值衡量 对关联规则的评价与价值衡量涉及两个层面： 系统客观的层面 用户主观的层面 系统客观层面 使用“支持度和信任度”框架可能会产生一些不正确的规则。只凭支持度和信任度阈值未必总能找出符合实际的规则。 用户主观层面 只有用户才能决定规则的有效性、可行性。所以，应该将用户的需求和系统更加紧密地结合起来。 可以采用基于约束（Consraint-based）的数据挖掘方法。具体约束的内容有：数据约束、 限定数据挖掘的维和层次、规则约束。 如果把某些约束条件与算法紧密结合，既能提高数据挖掘效率，又能明确数据挖掘的目标。 研究热点 关联规则挖掘中多值关联规则挖掘、兴趣度度量和评估技术、增强关联规则的维护方法、增强关联规则挖掘算法与用户的交互性、关联规则挖掘如何应用到隐私保护和信息安全问题中都将是下一步研究的热点问题。 现有的改进算法远远不能满足人们对挖掘系统快速及时响应的需求，如何提高挖掘过程的效率、与用户进行交互生成可视化结果等等都是以后研究工作的重点和难点。 关联规则挖掘 * 1关联规则简介 数据挖掘是一项从大量的记录数据中提取有价值的、人们感兴趣的知识，这些知识是隐含的、事先未知的有用信息，提取的知识一般可表示为概念(Concepts)、规则(Rules)、规律(Regular ides)、模式(Patterns)等形式。 关联规则是当前数据挖掘研究的主要方法之一，它反映一个事物与其他事物之间的相互依存性和关联性。如果两个或者多个事物之间存在一定的关联关系，那么，其中一个事物就能够通过其他事物预测到。 典型的关联规则发现问题是对超市中的货篮数据（Market Basket）进行分析。通过发现顾客放入货篮中的不同商品之间的关系来分析顾客的购买习惯。 关联规则挖掘的目的：发现数据中的规律 超市中什么产品会一起购买？— 啤酒和尿布 在买了一台PC之后下一步会购买? 哪种DNA对这种药物敏感? 我们如何自动对Web文档进行分类? 2关联规则的基本概念 设I={i1, i2,…, im}为所有项目的集合，D为事务数据库，事务T是一个项目子集（T?I）。每一个事务具有唯一的事务标识TID。设A是一个由项目构成的集合，称为项集。事务T包含项集A，当且仅当A?T。如果项集A中包含k个项目，则称其为k项集。 项集A在事务数据库D中出现的次数占D中总事务的百分比叫做项集的支持度。如果项集的支持度超过用户给定的最小支持度阈值，就称该项集是频繁项集（或频集）。 关联规则的基本概念 关联规则是形如X?Y的逻辑蕴含式，其中X?I，Y?I，且X?Y=?。如果事务数据库D中有s%的事务包含X?Y，则称关联规则X?Y的支持度为s%，实际上，支持度是