我使用的是Apriori算法,当我使用min support = 2时,得到以下项目集作为频繁项目集。(项目集:支持) 我实现此目标的目的是根据他确定的频繁项目集以及他已经添加到购物车中的内容向客户提出建议
-+- L -+-
[5] : 3
[1] : 3
[2] : 3
[3] : 4
-+- L -+-
[1, 2] : 2
[1, 5] : 2
[3, 5] : 3
[1, 3] : 3
[2, 5] : 3
[2, 3] : 3
-+- L -+-
[1, 2, 5] : 2
[1, 2, 3] : 2
[2, 3, 5] : 3
[1, 3, 5] : 2
-+- L -+-
[1, 2, 3, 5] : 2
我的第一个问题是:我只使用支持规则来识别上述集合。在这一点上,我应该使用信心和提升规则?是在识别频繁项目集时还是在根据已识别的频繁项目集添加推荐时?
我的第二个问题是:我在添加推荐时使用置信度规则如何检查置信度规则? 例如,如果用户将项目2,5添加到他的购物清单中,我建议也购买第3项。基于[2,3,5]设置。建议第3项规则应该如何?即 [2,5]的频率应该更接近[2,3,5] 的频率或 [3]的频率应该更接近[2,3,5]的频率吗
在建议第3项之前我必须检查哪种情况?
我的第三个问题是升力规则在哪些情况下会很重要?根据以上项目集,即使我考虑了所有支持,信心和提升规则,似乎可以建议任何项目。如果我错了,请纠正我?
由于
答案 0 :(得分:1)
对一和二:
关联规则如下:
{3} -> {2, 5}
这意味着,例如,如果客户购买3,他也会以一定的概率购买2和5。同样,概率由支持和信心决定。例如:
> dataset
1: {1, 2, 3}
2: {1, 2, 4}
3: {1, 2, 5}
Support level = 0.6
Confidence level = 0.6
Number of cases = 3
// Get frequency of each item
Total number of 1's bought = 3
Total number of 2's bought = 3
Total number of 3's bought = 1
Total number of 4's bought = 1
Total number of 5's bought = 1
// Check support of each item against support level
Support of 1 = 3 / 3 = 1 >= 0.6 = support level
Support of 2 = 3 / 3 = 1 >= 0.6 = support level
Support of 3 = 1 / 3 = 0.33 <= 0.6 = support level
Support of 4 = 1 / 3 = 0.33 <= 0.6 = support level
Support of 5 = 1 / 3 = 0.33 <= 0.6 = support level
-> Frequent itemsets = {(1), (2), (1, 2)}
-> Association rules = {1 -> 2}
// Check confidence of each association rule against confidence level
Confidence of 1 -> 2 = 3 / 3 = 1 >= 0.6 = confidence level
-> Strong association rules = {1 -> 2}
-> For a customer who buys 1, the recommandation is article 2
至三:
提供的数据是频繁项目集,没有关联规则。因此,从那些原始频繁项目集中,不可能关联建议,例如如果客户购买1他也将以一定概率购买2。需要将它们处理为关联规则。并且提升值仅指示关联规则的关系,其中关联规则的置信度值与期望值保持关系。换句话说,这种关联规则的意义。
希望这会有所帮助。
答案 1 :(得分:0)
您只完成了第一步,频繁项目集。
频繁的项目集如下所示:1, 2, 3, 4, 5
并拥有支持。
现在您需要执行第二步,关联规则。
您需要看起来像这样的规则:
1, 2, 3 -> 4, 5 (confidence: 60%, lift: 1.2)
其中说“如果用户在他们的购物篮中有1,2和3,那么建议4和5.你然后计算信心并解除决定要保留和使用哪些规则。