【数据挖掘】关联规则挖掘 Apriori 算法 ( 置信度 |
您所在的位置:网站首页 › apriori 置信度 › 【数据挖掘】关联规则挖掘 Apriori 算法 ( 置信度 |
文章目录
一、 置信度
二、 置信度 示例
参考博客 : 【数据挖掘】关联规则挖掘 Apriori 算法 ( 关联规则简介 | 数据集 与 事物 Transaction 概念 | 项 Item 概念 | 项集 Item Set | 频繁项集 | 示例解析 ) 【数据挖掘】关联规则挖掘 Apriori 算法 ( 关联规则 | 数据项支持度 | 关联规则支持度 )
一、 置信度 关联规则 X ⇒ Y \rm X \Rightarrow Y X⇒Y 的置信度 , 表示 数据集 D \rm D D 中包含 X \rm X X 项集的事物 , 同时有多大可能性包含 Y \rm Y Y 项集 , 等于 项集 X ∪ Y \rm X \cup Y X∪Y 的支持度 与 项集 X \rm X X 的支持度 比值 ; 公式为 : c o n f i d e n c e ( X ⇒ Y ) = s u p p o r t ( X ∪ Y ) s u p p o r t ( X ) \rm confidence (X \Rightarrow Y) = \cfrac{support (X \cup Y)}{support (X)} confidence(X⇒Y)=support(X)support(X∪Y)
二、 置信度 示例 示例 : 数据集 D \rm D D 为 : 事物编号 事物 ( 商品 ) 001 001 001 奶粉 , 莴苣 002 002 002 莴苣 , 尿布 , 啤酒 , 甜菜 003 003 003 奶粉 , 尿布 , 啤酒 , 橙汁 004 004 004 奶粉 , 莴苣 , 尿布 , 啤酒 005 005 005 奶粉 , 莴苣 , 尿布 , 橙汁
求关联规则 尿 布 ⇒ 啤 酒 \rm 尿布 \Rightarrow 啤酒 尿布⇒啤酒 的置信度 ? ? ? 根据上述公式 c o n f i d e n c e ( X ⇒ Y ) = s u p p o r t ( X ∪ Y ) s u p p o r t ( X ) \rm confidence (X \Rightarrow Y) = \cfrac{support (X \cup Y)}{support (X)} confidence(X⇒Y)=support(X)support(X∪Y) 计算 X ⇒ Y \rm X \Rightarrow Y X⇒Y 置信度 ;
1 . 计算 s u p p o r t ( X ∪ Y ) \rm support (X \cup Y) support(X∪Y) 支持度 : S u p p o r t ( X ⇒ Y ) = S u p p o r t ( X ∪ Y ) = c o u n t ( X ∪ Y ) c o u n t ( D ) \rm Support (X \Rightarrow Y) = Support (X \cup Y) = \cfrac{count (X \cup Y)}{count (D)} Support(X⇒Y)=Support(X∪Y)=count(D)count(X∪Y) s u p p o r t ( X ∪ Y ) \rm support (X \cup Y) support(X∪Y) 指的是 数据集 D \rm D D 中含有项集 X ∪ Y \rm X \cup Y X∪Y 的事务个数 ; 含有 X ∪ Y = { 尿 布 , 啤 酒 } \rm X \cup Y=\{ 尿布 , 啤酒 \} X∪Y={尿布,啤酒} 项集的事务有 事务 2 \rm 2 2 , 事务 3 3 3 , 事务 4 4 4 , 得出 : c o u n t ( X ∪ Y ) = 3 \rm count (X \cup Y) = 3 count(X∪Y)=3 c o u n t ( D ) \rm count(D) count(D) 指的是 数据集 D \rm D D 的事务总数 ; 得出 c o u n t ( D ) = 5 \rm count(D) = 5 count(D)=5 计算支持度结果 : S u p p o r t ( X ⇒ Y ) = S u p p o r t ( X ∪ Y ) = c o u n t ( X ∪ Y ) c o u n t ( D ) \rm Support (X \Rightarrow Y) = Support (X \cup Y) = \cfrac{count (X \cup Y)}{count (D)} Support(X⇒Y)=Support(X∪Y)=count(D)count(X∪Y) S u p p o r t ( X ) = S u p p o r t ( X ∪ Y ) = 3 5 \rm Support (X) = Support (X \cup Y) = \cfrac{3}{5} Support(X)=Support(X∪Y)=53
2 . 计算 S u p p o r t ( X ) \rm Support (X) Support(X) 支持度 , 项集 X = { 奶 粉 } \rm X=\{ 奶粉 \} X={奶粉} 根据上述公式 S u p p o r t ( X ) = c o u n t ( X ) c o u n t ( D ) \rm Support (X) = \cfrac{count (X)}{count (D)} Support(X)=count(D)count(X) 计算支持度 ; c o u n t ( X ) \rm count (X) count(X) 指的是 数据集 D \rm D D 中含有项集 X \rm X X 的事务个数 ; 含有 X = { 奶 粉 } \rm X=\{ 奶粉 \} X={奶粉} 项集的事务有 事务 1 \rm 1 1 , 事务 3 3 3 , 事务 4 4 4 , 事务 5 5 5 , 得出 : c o u n t ( X ) = 4 \rm count (X) = 4 count(X)=4 c o u n t ( D ) \rm count(D) count(D) 指的是 数据集 D \rm D D 的事务总数 ; 得出 c o u n t ( D ) = 5 \rm count(D) = 5 count(D)=5 则计算支持度 : S u p p o r t ( X ) = c o u n t ( X ) c o u n t ( D ) \rm Support (X) = \cfrac{count (X)}{count (D)} Support(X)=count(D)count(X) S u p p o r t ( X ) = 4 5 \rm Support (X) = \cfrac{4}{5} Support(X)=54
3 . 求最终置信度 c o n f i d e n c e ( X ⇒ Y ) = s u p p o r t ( X ∪ Y ) s u p p o r t ( X ) \rm confidence (X \Rightarrow Y) = \cfrac{support (X \cup Y)}{support (X)} confidence(X⇒Y)=support(X)support(X∪Y) c o n f i d e n c e ( X ⇒ Y ) = 3 5 4 5 = 3 4 \rm confidence (X \Rightarrow Y) = \cfrac{ \dfrac{3}{5}}{\dfrac{4}{5}} = \cfrac{3}{4} confidence(X⇒Y)=5453=43 最终置信度为 3 4 \cfrac{3}{4} 43 文章来源: hanshuliang.blog.csdn.net,作者:韩曙亮,版权归原作者所有,如需转载,请联系作者。 原文链接:hanshuliang.blog.csdn.net/article/details/109679468 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |