首先以最小支持度为0.05来挖掘出叫频繁出现的规则：

表 频繁规则

可以发现，V4，V7，V5这些属性在数据集中是经常出现的变量。同时可以看到他们的属性值。

于是我们找到最频繁出现的前十个集合（频繁项集）：

表 前十个频繁项集

可以看到V7也就是价格是不可接受的车达到了70%左右。其次是V7为unacc和V6为low的车辆集合，也就是价格难以接受和安全性能低的车辆。

通过上面的判断，我们将支持度设置为0.1也就是10-%左右，用于筛选出较频繁的规则。

于是进行关联规则挖掘：

表 规则概要

通过查看模型概要，我们可以发现得到了20条规则，其中规则长度1的有1条，2的有8条，3的有11条。

查看规则：

表 规则数据

以及规则的支持度置信度和提高度。

表 规则质量

可以看到每条规则的质量。比如前6条规则，我们可以看到当车的购入价格很高时，大部分消费者认为不能接受这部车。或者当车的维护费用很高时，购买者也不能接受。

或者当车是两个门的时候，一般该车是跑车或者设计特殊，这是人们也会不能接受购买这部车，也许因为它的价格因素。

图 关联规则模型结果

从圆圈的大小，我们可以判断规则的支持度大小，从圆圈的颜色深浅我们可以判断该规则的置信度大小。

图 关联规则结果

从上面结果，我们可以看到20条规则的可视化结果，圆圈越大代表该规则的支持度越高，通过箭头我们可以判断其规则的前后推断关系。

于是我们找到置信度和支持度最高的规则，作为最有价值的规则。

表 关联规则有价值的结果

V6为车的安全性，V4为车的装载人数，如果安全性差并且只能装载2个人，消费者不会购买这辆车。因此车的安全性是一个是否购买车的重要的影响因素。

从分析的结果可以看到，关联规则的模型效果在该数据集上效果较好，同时得到了一些有价值的规则，比如人们在购买车辆时主要会考虑车的价格因素，以及他的维护费用，这些因素会影响人们是否购买车辆，其中，人们也十分关心车辆的安全性能和装载性能，当车性能不安全的话，人们很难接受，甚至该因素的影响会超过价格的因素。通过这些规则我们可以对车辆提出一些营销策略。

最受欢迎的见解

1.Python中的Apriori关联算法-市场购物篮分析

2.R语言绘制生存曲线估计|生存分析|如何R作生存曲线图

3.用关联规则数据挖掘探索药物配伍中的规律

4.通过Python中的Apriori算法进行关联规则挖掘

5.用关联规则数据挖掘探索药物配伍中的规律

6.采用SPSS Modeler的Web复杂网络对所有腧穴进行分析

7.R语言如何在生存分析与COX回归中计算IDI，NRI指标

8.R语言如何找到患者数据中具有差异的指标？（PLS—DA分析）

9.R语言中的生存分析Survival analysis晚期肺癌患者4例返回搜狐，查看更多