初识机器学习：关联规则

这是我参与「掘金日新计划 · 8 月更文挑战」的第4天，点击查看活动详情

关联规则，或者关联规则学习（Association Rule Learning）是一种在大量数据点中发现隐蔽的关联关系的方法。能够利用一些有趣的量度来识别数据点集中发现的强规则。

关联规则最常见的使用场景就是购物，不管是线上还是线下，上架都希望从顾客的购物记录中，寻找不同商品之间并非显而易见的关系，以此来推荐商品、优化商品陈列、推送广告等。

如何量化关联规则：支持度、置信度和提升度

我们以超市购物的订单数据为例，如下是一组示例数据

| 交易 | 商品 | | --- | ----------- | | 交易1 | 🍎 🍺 🍚 🍗 | | 交易2 | 🍎 🍺 🍚 | | 交易3 | 🍎 🍺 | | 交易4 | 🍎 🍺 🍐 | | 交易5 | 🍼 🍺 🍚 🍗 | | 交易6 | 🍼 🍺 🍚 | | 交易7 | 🍼 🍺 | | 交易8 | 🍼 🍺 🍐 |

支持度

支持度某个项集出现的频率，也就是包含这个项集的交易数占总交易数的比例。在上面的例子中，🍎 的支持度，可以表示为：支持度{🍎}=4/8。

置信度

置信度是指当 X 项出现的时候，Y 项同时出现的概率，用 {X->Y} 表示，也就是同时包含 X 项和 Y 项的交易数占包含 X 项的交易数的比例。

在上面的例子中，置信度{🍎->🍺} 的置信度是：置信度{🍎->🍺}=支持度{🍎,🍺}/支持度{🍎}。根据上面的交易数据可以得出，结果为3/4。

不过，置信度这个指标存在一个缺陷，当购买 🍎 的顾客大概率也会购买 🍺 的时候，并不一定代表两者的关联度比较高，也有可能，🍎 和 🍺 之间其实并没有什么关联关系，只是，两者都属于非常畅销的单品，因此才同时出现在了很多顾客的订单中。

这种情况下，置信度其实给了我们错误的判断，「提升度」这个指标可以帮我们规避这个问题。

提升度

提升度指的是，X 项和 Y 项同时出现的频率，并且同时考虑了 X 项和 Y 项各自出现的频率。它的计算方式是这样：提升度{🍎->🍺}=支持度{🍎,🍺}/支持度{🍎}*支持度{🍺}，结合前面的两个指标，不难看出，实际上，提升度{🍎->🍺}=置信度{🍎->🍺}/支持度{🍺}，结果是 1。结果是 1 则代表，两者之间并无关联，如果这个结果比 1 大，则代表两者存在关联，结果越大，提升度越高，则代表两者关联度越大，反之，如果这个结果小于 1，则代表两者负相关的关系。

关联规则的特点

在数据规模特别大的时候，偶尔会出现假关联的情况，这个时候，为了确保关联规则的普适性，需要对结果进行验证。

关联规则的一个更大的问题是，需要非常大的计算量来完成，即使只有 10 种商品，也需要对上千种组合进行计算（2^10-1=1023），而在真实的商场超市或者线上商城中的商品数量，能够组成的组合数会是一个天文数字。关于这个问题如何解决，我会在下一篇中介绍。

---

参考：《白话机器学习算法》