数据分析关联规则公式是什么

快乐的小GAI 评论

关联规则是数据挖掘中常用的一种方法，用于发现数据集中项之间的相关性。在关联规则中，最经典的公式就是支持度（Support）、置信度（Confidence）和提升度（Lift）。

支持度（Support）：指的是某个项集在数据集中出现的频率。支持度可以用以下公式来计算：
[支持度(A \rightarrow B) = \frac{出现A和B的次数}{总交易次数}]
置信度（Confidence）：指的是当有A出现时，B同时也出现的概率。置信度可以用以下公式来计算：
[置信度(A \rightarrow B) = \frac{支持度(A \rightarrow B)}{支持度(A)}]
提升度（Lift）：提升度刻画了一个项集中包含的某个项对另一个项的出现概率的提升程度。提升度可以用以下公式来计算：
[提升度(A \rightarrow B) = \frac{置信度(A \rightarrow B)}{支持度(B)}]

这些公式帮助我们量化关联规则的有效性和相关性，进而在数据分析中找到有意义的规律和模式。支持度衡量规则的普遍程度，置信度衡量规则的有效性，提升度则衡量规则的独立性。通过分析这些指标，可以发现不同项之间的关系，从而用于市场分析、推荐系统、商品搭配等领域的决策制定。

2年前 0条评论

奔跑的蜗牛评论

关联规则是数据挖掘中常用的一种技术，用于发现数据集中不同属性之间的关系和规律。常用的关联规则公式是支持度（Support）、置信度（Confidence）和提升度（Lift）。

支持度（Support）：
支持度衡量了某个项集在数据集中出现的频率。支持度越高表示该项集出现的频率越高，支持度的计算公式如下：
[ Support(X) = \frac{count(X)}{N} ]
其中，( count(X) )表示项集X在数据集中出现的次数，N为数据集的总记录数。
置信度（Confidence）：
置信度用于表示一个规则有多大可能性是正确的，即在A发生的情况下B发生的条件概率。置信度的计算公式如下：
[ Confidence(A→B) = \frac{Support(A∪B)}{Support(A)} ]
其中，Support(A∪B)表示同时包含A和B的项集在数据集中出现的频率，Support(A)表示项集A在数据集中出现的频率。
提升度（Lift）：
提升度用于衡量规则中的关联程度，即在已知A的情况下，B相对于在数据集中出现的频率增加了多少倍。提升度的计算公式如下：
[ Lift(A→B) = \frac{Confidence(A→B)}{Support(B)} ]
提升度大于1表示A和B之间存在正向关联，提升度小于1表示A和B之间存在负向关联，提升度等于1表示A和B之间没有关联。
卡方值（Chi-square）：
卡方值用于衡量关联规则的显著性程度。通过计算卡方值可以判断关联规则是否显著，即A和B之间的关系不是由偶然造成的。卡方值的计算公式如下：
[ \chi^2 = \frac{(n \times (ad-bc)^2)}{(a+b) \times (c+d) \times (a+c) \times (b+d)} ]
其中，a表示同时包含A和B的项集在数据集中出现的次数，b表示只包含A而不包含B的项集在数据集中出现的次数，c表示只包含B而不包含A的项集在数据集中出现的次数，d表示既不包含A又不包含B的项集在数据集中出现的次数，n为数据集总记录数。
其他指标：
除了支持度、置信度、提升度和卡方值外，还可以使用其他指标来评估关联规则的质量，如基尼指数（Gini Index）、信息增益（Information Gain）等。不同的指标可以从不同的角度评价关联规则的相关性和有效性，根据具体的需求选择合适的指标进行分析。

2年前 0条评论

飞, 飞评论

数据分析中的关联规则公式

在数据分析中，关联规则是用来描述数据集中不同项集之间的关联关系的。常用的关联规则公式有支持度（Support）、置信度（Confidence）和提升度（Lift）等指标。接下来将从这三个指标的定义和计算方法来详细介绍关联规则的公式。

1. 支持度（Support）

支持度用来衡量规则左部和右部同时出现的概率。

支持度的计算公式如下：
$$
Support(A \rightarrow B) = P(A \cap B) = \frac{count(A \cap B)}{N}
$$
其中，$A$和$B$分别代表项集中的两个元素，$count(A \cap B)$表示同时包含$A$和$B$的记录数，$N$为总记录数。