由Prof. Michael Hahsler编写的令人敬畏的R包recommenderlab
提供了基于从他的另一个R包arules
派生的关联规则的推荐者模型。
可以在另一篇文章here中找到从recommenderlab
文档中修改的最低示例代码。
所学习的AR推荐器模型可用于在给定用户标识的情况下进行预测/推荐。
pred <- predict(rec, dat[1:5,])
as(pred, "list")
[[1]]
[1] "whole milk" "rolls/buns" "tropical fruit"
[[2]]
[1] "whole milk"
[[3]]
character(0)
[[4]]
[1] "yogurt" "whole milk" "cream cheese " "soda"
[[5]]
[1] "whole milk"
我知道预测基本上是首先从训练数据集中挖掘的规则集(R)中找到所有匹配的LHS。然后推荐具有最高支持/置信度/提升分数的匹配规则的N个唯一RHS。
所以我的问题是你如何获得匹配的LHS预测规则?
从source code我们可以看到
m <- is.subset(lhs(model$rule_base), newdata@data)
for(i in 1:nrow(newdata)) {
recom <- head(unique(unlist(
LIST(rhs(sort(model$rule_base[m[,i]], by=sort_measure)),
decode=FALSE))), n)
reclist[[i]] <- if(!is.null(recom)) recom else integer(0)
}
我设法通过
从受过训练的模型中访问rule_base
rule_base <- getModel(rec)$rule_base
但接下来是另一个问题,为什么head(unique(unlist(LIST(rhs(sort(model$rule_base[m[,i]], by=sort_measure)), decode=FALSE))), n)
而不是第一组rhs
,然后在排序前汇总sort_measure
和lhs
< /强>
答案 0 :(得分:1)
head(unique(unlist(LIST(rhs(sort(model$rule_base[m[,i]], by=sort_measure)), decode=FALSE))), n)
接受所有具有匹配LHS的规则,按度量对其进行排序,然后返回度量最高的n
个唯一的RHS项目。
我想如果规则库中有多个具有相同RHS的匹配规则,您可能正在考虑汇总度量。我也考虑过这一点,但后来决定使用首个比赛策略。主要原因是创建关联规则/频繁项目集的方式。您会发现,对于每个较长的规则,许多具有相同RHS的较短规则,因此通过加法来汇总度量值对我来说并没有太大意义。