《关联报告人：熊赟》PPT课件.ppt

关 联,报告人：熊 赟,内容概要,基本概念,其他,Apriori算法,关联规则分类,FP-Growth算法,第3章 关 联,3.1 基本概念 3.2 原 理 3.3 核心算法 3.4 其 他,自然界中某种事物发生时其他事物也会发生的这样一种联系称之为关联。 反映事件之间依赖或关联的知识称为关联型知识（又称依赖关系）。 (?) 定义3.1：关联是两个或多个变量取值之间存在的一类重要的可被发现的某种规律性。 关联可分为简单关联、时序关联、因果关联。,基 本 概 念,关联分析目的是寻找给定数据记录集中数据项之间隐藏的关联关系，描述数据之间的密切度。 关联分析的结果常有两种： 关联规则和序列模式。 关联规则用于寻找在同一个事件中出现的不同项的相关性； 序列模式与此类似，但它寻找的是事件之间时间上的相关性。,关 联 分 析,关联规则发现的主要对象是交易型数据库，一个交易一般由交易处理时间，一组顾客购买的物品，有时也有顾客标识号(如信用卡号)组成。 定义3.2：关联规则是描述在一个交易中物品之间同时出现的规律的知识模式，更确切的说，关联规则是通过量化的数字描述物品X的出现对物品Y的出现有多大的影响。,关 联 规 则,以零售业为例，体育用品商场通过对销售数据进行关联分析通常可以发现这些数据中常常隐含形式如下的规律“购买篮球的顾客中有70%的人同时购买篮球运动服，所有交易中有40%的人同时购买篮球和篮球运动服” 等等。这些规律即关联规则。,关 联 规 则,定义3.3：关联规则挖掘的交易数据集记为D（一般为交易数据库），DT1，T2，Tk，,Tn，Tk（k1,2,，n）称为交易，对应每一个交易有唯一的标识，记作TID。 元素im（m1,2,，p）称为项。设I=i1，i2，im是D中全体项组成的集合，且TkI。,设X是一个I中项的集合，如果XTk，那么称交易Tk包含项集X。 若X,Y为项集，XI, YI，并且XY=，则形如X = Y的表达式称为关联规则。,关联规则形式化定义,置信度,支持度,关联规则度量,规则XY在交易数据集D中的 置信度是对关联规则准确度 的衡量。度量关联规则的强 度。即在所有出现了X的活动 中出现Y的频率，即规则XY 的必然性有多大。 记为confidence(XY)。,计算方法： 包含X和Y的交易数与包含X的 交易数之比： confidence(XY) = P(YX) = |T: XYT， TD|/|T:XT，TD| 100%,规则XY在交易数据集D中的 支持度是对关联规则重要性 的衡量，反映关联是否是普 遍存在的规律，说明这条规 则在所有交易中有多大的代 表性。即在所有交易中X与Y 同时出现的频率记为： support(XY)。,计算方法： 交易数据集中同时包含X和Y 的交易数与所有交易数之比： support(XY) = P(XY) = |T: XYT，TD|/ |D|100% （其中|D|是交易数据集D中 的所有交易数）,最小置信度阈值 最小支持度阈值 同时满足最小置信度阈值和最小支持度阈值的关联规则为强关联规则，是有意义有价值。,关联规则度量,在给定一个交易数据集D，挖掘关联规则问题就是产生支持度和置信度分别大于用户给定的最小支持度阈值和最小置信度阈值的关联规则。,关联规则度量,经常使用的“支持度-可信度”的框架。这样的结 构有时会产生一些错误的结果。例： 假设体育类用品零售商调查了10000名顾客在 购买什么商品，得到的结果是6000名顾客购买 篮球，7500名顾客购买足球，4000名顾客购买 篮球、足球。设最小支持度为30%，最小置信度 为60%，可得到如下的关联规则： 篮球足球 （支持度40%，置信度为66% ） 这条规则其实是错误的，因为购买足球的比例 是75%，甚至大于66%。,关联规则度量,期望 可信度,改善度,关联规则度量,兴趣度？,关联规则度量,找出所有具有最小支持度的项集(频繁项集) 。 用Apriori、FP-Growth等算法来找出频繁项集。,使用频繁项集生成期望的关联规则 对于每一个频繁项集l，找出其中所有的非空子集；然后，对于每一个这样的子集a，如果support(l)与support(a)的比值大于最小可信度，则存在规则a=(l-a)。,挖掘交易数据库D中所有关联规则的问题可以被划分为两个子问题：,找出频繁项集Apriori算法,Apriori 性质 Apriori 算法基本思想,表1 交易数据库D,例：,找出频繁项集Apriori算法,C1,L1,扫描D，对每 个候选计数,比较候选支持 度计数与最小 支持度计数,找出频繁1项集的集合L1,找出频繁项集Apriori算法,例：最小支持度阈值 为2,L1,C2,由L1产生 候选C2,Lk-1用于产生候选Ck,找出频繁项集Apriori算法,连接&剪枝,C2,L2,比较候选支持 度计数与最小 支持度计数,扫描D，对每 个候选计数,L2,由L2产生 候选C3,C3,连接&剪枝,连接：C3L2 L2 I1,I2, I1,I3, I1,I5, I2,I3, I2,I4, I2,I5 I1,I2, I1,I3, I1,I5, I2,I3, I2,I4, I2,I5 = I1,I2,I3, I1,I2,I5, I1,I3,I5, I2,I3,I4, I2,I3,I4, I2,I3,I5 ,I2,I4,I5,剪枝： I1,I2,I3的2-项子集是I1,I2, I1,I3和I2,I3。 I1,I2,I3的所有2-项子集都是L2的元素。因此，保留I1,I2,I3在C3中。 I2,I3,I5的2-项子集是I2,I3, I2,I5和I3,I5。 I3,I5不是L2的元素，因而不是频繁的。因此，由C3中删除I2,I3,I5。 剪枝后C3 I1,I2,I3, I1,I2,I5。,C3,扫描D，对每 个候选计数,比较候选支持 度计数与最小 支持度计数,L3,对每个交易，使用subset函数找出交易中是候选的所有子集，并对每个这样的候选累加计数，所有满足最小支持度的候选形成频繁项集L。,输入：交易数据库D；最小支持度阈值min_sup。 输出：D中的频繁项集L。 方法： (1) 找频繁项集1-项集; (2) apriori_gen(Lk-1,min_sup)函数做两个动作：连接和剪枝。用于在第k-1次遍历中生成的Lk-1生成Ck (3) 由Ck生成Lk,Apriori算法详述,子集函数Subset ？ 子集函数Subset用于确定在一个给定的交易t中包含了哪些Ck中的项。 候选集Ck被存放在一棵hash树中，hash树中的结点分为两类：一类包含一个项集列表(叶结点)，另一类包含一张hash表(内部结点)。在内部结点上，hash表中的每一个桶都指向另一个结点。假定hash树的根结点的深度等于1，则一个深度为d的内部结点指向深度为d1的结点。项集都存放在叶子结点，当需要添加一个项集c的时候，就从根结点出发直到叶子结点。在一个深度为d的内部结点，对该项集的第d项应用hash函数来确定下一步遍历的分支。所有的结点最初都被创建为叶子结点。当一个叶子结点的项集数目超出某一个阈值时，该结点将会转化为一个内部结点。 从根结点开始，子集函数按照如下的方式找出包含在交易t中的所有的候选集。如果在叶子结点，找出该叶子结点中所有包含在交易t中的项集，并且为它们添加一个指向结果集的索引；如果通过散列第i项到达某个内部结点，则散列交易t中第i项后的每一项，并且将这个过程递归地应用于相应的桶。对于根结点，则散列交易t中的每一项。 子集函数能够返回所需要的候选集的索引，对于任何交易t中包含的项集c，c的第一个项一定出现在t中。在根结点，通过散列交易t中的每一项，我们能够确定只忽略那些不是从t中的某一项开始的项集。同样的结论也适用于hash树中位于其他层次的结点。由于在每一个项集中的项都经过排序，如果我们通过散列项i到达当前的结点，则以后只需要考虑交易t中出现在项i后的项。,Apriori算法详述（续）,1. 基于划分的方法 2. 基于散列的方法 3. 基于采样的方法 4. 交易压缩方法 （不包含任何k项集的交易 不可能包含k+1项集）,Apriori算法优化,D中 交易,将D划分 成n部分,找出局部 每一部分 频繁项集 （1次扫描）,结合局部 频繁项集 形成候选 项集,第1遍,在候选项 集中找出 全局频繁 项集（1 次扫描）,D中 频繁 项集,第2遍,基于划分的方法,基于散列技术压缩候选k项集Ck,使用散列函数 h(x,y)=(order of x)*10+(order of y) mod 7 创建散列表,候选2项集的散列表,步骤： a. 对于每个频繁项集l，找出l的所有非空子集； b.对于l的每个非空子集a，如果 support_count(l)/support_count(a)min_conf，则输出规则“a（la）”。,频繁项集产生强关联规则,例：假定数据包含频繁集l I1,I2,I5，L的非空子集有I1,I2, I1,I5, I2,I5, I1, I2, 和I5。可以由l产生的关联规则： I1I2I5， confidence 2/4 50%； I1I5I2， confidence 2/2 100%； I2I5I1， confidence 2/2 100%； I1I2I5， confidence 2/6 33%； I2I1I5， confidence 2/7 29%； I5I1I2, confidence 2/2 100%； 若最小置信度阈值为70%，则只有I1I5I2， I2I5I1，I5I1I2可输出，是强关联规则,不需要生成大量候选项集的频繁项集挖掘。 算法采用分而治之的策略。,频繁模式增长（FP-Growth）算法,例：最小支持度阈值 为3,FP-Growth算法例,null,1.f,c,a,m,p,2.f,c,a,b,m,3.f,b,4.c,b,p,5.f,c,a,m,p,FP-Growth算法例,生成的FP树,FP-Growth算法例,节点链性质对任意频繁项ai，顺着ai的节点链，从ai的头开始，可以找到包含ai的所有频繁模式。,包含m的所有频繁模式的集合有：(m:3),(am:3),(cm:3),(fm:3),(cam:3),(fam:3),(fcam:3),(fcm:3)。 这表明对一个单独路径的FP树进行挖掘时，可以通过输出该路径上所有项的组合来实现。,FP-Growth算法例,前缀路径性质为计算路径p上的一个节点ai的频繁模式，只需要计算p中ai的前缀子树，并且前缀子树中的每个节点的频繁数和节点ai相同。,FP-Growth算法详述,引理：片段增长假设是DB中的一个项集，B是的一个条件模式库，是B中的一个项集，那么，在DB中的支持度和在B中的支持度是相同的。 推论： 模式增长假设是DB中的一个频繁项集，B是的条件模式库，是B中的一个项集。当且仅当在B中是频繁时，在DB中才是频繁的。,FP-Growth算法详述,引理 单路径FP树的模式生成假设一个FP树T，只有一条路径P，通过列举P的子路径的所有组合，可以得到T的频繁模式全集，它们的支持度等价于子路径中的所有项的最小支持度。,FP-Growth算法详述,算法2：在FP树中挖掘频繁模式 输入：用DB根据算法1构造的FP树和最小支持度阈值； 输出：所有的频繁模式的集合； 方法：调用FP-Growth ( FP-Tree , null )； Procedure FP-Growth ( Tree, ) (1) if (Tree只包含单路径P) then (2) 对路径P中节点的每个组合（记为） (3) 生成模式，支持数中所有节点的最小支持度,(4) else 对Tree头上的每个ai，do (5) 生成模式= ai ，支持度ai.support； (6) 构造的条件模式库和的条件FP树Tree； (7) if Tree (8) then call FP-Growth ( Tree , ) ,FP-Growth算法详述,1. 简单关联规则 单维、单层、布尔型关联规则 2. 量化关联规则 3. 多维关联规则 4. 跨层关联规则,关联规则分类,篮球=篮球服，只涉及到用户购买的物品,性别=“女”=平均收入=2300，涉及的收入是数值类型,性别=“男”=购买“篮球”，涉及两个维,Adidas篮球= Nike篮球服,同层关联规则 层间关联规则,篮球= Nike篮球服,挖掘量化关联规则,数值字段根据数据的分布分成布尔字段 每个布尔字段都表示一个数值字段的区间，落在其中则为1，反之为0。这种分法是动态的。得出的规则称布尔量化关联规则。,使用预定义的概念分层对量化属性离散化 如年龄的概念分层可以分为区间，“2024”，“2529”，“3539”等替换原来的数值。得出的规则也叫做静态量化关联规则。,数值字段被分成一些能体现含义的区间，紧扣区间数据的语义。 考虑数据点之间的距离因素。得出的规则称基于距离的关联规则。,直接用数值字段中的原始数据进行分析 根据数据的分布对数值字段的值进行分析，数值属性动态离散化，以满足某种挖掘标准，如最大化所挖掘的规则的置信度。该策略将数值属性的值处理成量，而不是预定义的区间或分类。得出的规则称量化关联规则。,挖掘量化关联规则,挖掘量化关联规则,体育类商品,球类,运动服类,辅助用品类,篮球,足球,Adidas,Nike,篮球服,足球服,体育用品的概念分层,Adidas篮球= Nike篮球服,篮球= Nike篮球服,挖掘跨层关联规则,同层关联规则即处于同概念层的关联规则，其挖掘是在特定概念层上逐层展开的，需对项的每个层次进行处理，一般采用自顶向下 策略。对每一层，可以使用类似于单层关联规则挖掘的发现频繁项集的任何算法； 算法有ML-T2、ML-SH、ML-TMAX、 ML-T2+等 层间