数据挖掘关联规则apriori例题

当然，我可以为您提供一个关联规则 Apriori 算法的例题。假设我们有一个超市的交易数据集，其中包含了顾客购买的商品清单。以下是一个简化的例子：

| 交易ID | 商品清单 |
|--------|-------------------------------|
| 1 | 牛奶, 蛋糕, 面包 |
| 2 | 蛋糕, 面包 |
| 3 | 牛奶, 蛋糕, 面包, 鸡蛋 |
| 4 | 牛奶, 面包 |
| 5 | 牛奶, 蛋糕, 面包, 鸡蛋, 啤酒 |

现在我们想要找出频繁项集和关联规则。

首先，我们需要设置最小支持度和最小置信度的阈值。假设我们设置最小支持度为40%，最小置信度为60%。

1. 计算频繁1-项集：对于每个商品，计算其支持度（在所有交易中出现的次数除以总交易数），并保留支持度大于等于最小支持度阈值的项集。

| 商品 | 支持度 |
|---------|----------|
| 牛奶 | 4/5 = 80%|
| 蛋糕 | 4/5 = 80%|
| 面包 | 5/5 = 100%|
| 鸡蛋 | 2/5 = 40% |
| 啤酒 | 1/5 = 20% |

根据最小支持度阈值，我们保留频繁1-项集：{牛奶, 蛋糕, 面包}

2. 根据频繁1-项集，计算频繁2-项集：对于每对频繁1-项集，计算其支持度，并保留支持度大于等于最小支持度阈值的项集。

| 项集 | 支持度 |
|--------------|----------|
| {牛奶, 蛋糕} | 3/5 = 60%|
| {牛奶, 面包} | 4/5 = 80%|
| {蛋糕, 面包} | 4/5 = 80%|

根据最小支持度阈值，我们保留频繁2-项集：{牛奶, 蛋糕}，{牛奶, 面包}，{蛋糕, 面包}

3. 根据频繁2-项集，计算关联规则：对于每个频繁2-项集，生成所有可能的关联规则，并计算其置信度。保留置信度大于等于最小置信度阈值的关联规则。

对于 {牛奶, 蛋糕}：
- 关联规则：{牛奶} => {蛋糕}
- 置信度：支持度({牛奶, 蛋糕}) / 支持度({牛奶}) = 3/5 / 4/5 = 0.75

对于 {牛奶, 面包}：
- 关联规则：{牛奶} => {面包}
- 置信度：支持度({牛奶, 面包}) / 支持度({牛奶}) = 4/5 / 4/5 = 1

对于 {蛋糕, 面包}：
- 关联规则：{蛋糕} => {面包}
- 置信度：支持度({蛋糕, 面包}) / 支持度({蛋糕}) = 4/5 / 4/5 = 1

根据最小置信度阈值，我们保留关联规则：{牛奶} => {面包}，{蛋糕} => {面包}

以上就是使用 Apriori 算法找出频繁项集和关联规则的步骤和结果。希望对您有所帮助！如果您还有其他问题，请随时提问。