数据挖掘讲义教程.pptVIP

兴趣度客观度量（objective interestingness measure） 客观兴趣度度量使用从数据推导出的统计量来确定模式是否是有趣的。 客观兴趣度度量的例子包括支持度、置信度、相关性。 给定一个规则 X ? Y, 我们可以构建一个相依表（contingency table）。 Y Y X f11 f10 f1+ X f01 f00 fo+ f+1 f+0 |T| Contingency table for X ? Y 支持度-置信度框架的局限性 现有的关联规则的挖掘算法依赖于支持度和置信度来除去没有意义的模式。 例子：假定希望分析爱喝咖啡和爱喝茶的人之间的关系。收集一组人关于饮料偏爱的信息，并汇总到下表6-8。 Coffee Coffee Tea 150 50 200 Tea 650 150 800 800 200 1000 支持度-置信度框架的局限性 可以使用表中给出的信息来评估关系规则{茶} ?{咖啡}。 似乎喜欢喝茶的人也喜欢喝咖啡，因为该规则的支持度（15%）和置信度（75%）都相当高。 但是所有人中，不管他是否喝茶，喝咖啡的人的比例为80%。这意味着，一个人如果喝茶，则他喝咖啡的可能性由80%减到了75%。 置信度的缺点在于该度量忽略了规则后件中项集的支持度。 由于支持度-置信度框架的局限性，各种客观度量已经用来评估关联模式。下面，简略介绍这些