基于Apriori算法的關(guān)聯(lián)分析

數(shù)據(jù)挖掘是一門科學(xué)，它可以一種從海量的數(shù)據(jù)中提取有價(jià)值的信息，本文主要以數(shù)據(jù)挖掘中關(guān)聯(lián)分析模型為例，基于R軟件利用Apriori算法，對取自UCI中的mushroom數(shù)據(jù)集進(jìn)行分析，發(fā)現(xiàn)毒蘑菇的共同特征，利用這些特征可以避免吃到有毒的蘑菇。

毒蘑菇 關(guān)聯(lián)分析 Apriori算法

引言

隨著大數(shù)據(jù)時代的發(fā)展，數(shù)據(jù)挖掘在生活中的應(yīng)用越來越廣泛，其中數(shù)據(jù)挖掘中的關(guān)聯(lián)分析是在大量的數(shù)據(jù)集中尋找一些內(nèi)在的聯(lián)系，比如通過查看哪些商品經(jīng)常在一起購買，可以幫助商店了解用戶的購買行為。這種從數(shù)據(jù)海洋中提取的信息可以用于商品定價(jià)、市場促銷、存活管理等環(huán)節(jié)，比如“啤酒和紙尿布”的故事，零售商場里的組合套裝的捆綁銷售，比如洗發(fā)水加沐浴露，泡面加火腿腸，牛奶加面包等等。從新聞網(wǎng)站點(diǎn)擊流中挖掘新聞流行趨勢，挖掘哪些新聞廣泛被用戶瀏覽到，搜索引擎推薦，在用戶輸入查詢詞時推薦同相關(guān)的查詢詞項(xiàng)。不管關(guān)聯(lián)分析應(yīng)用于什么領(lǐng)域，最終都是為了發(fā)現(xiàn)一些經(jīng)常共同出現(xiàn)的特征集合，本文是介紹了關(guān)聯(lián)分析的一些基本概念，Apriori算法的核心思想，然后利用取自UCI網(wǎng)站的mushroom數(shù)據(jù)集進(jìn)行數(shù)據(jù)關(guān)聯(lián)分析，最后發(fā)現(xiàn)毒蘑菇的共同特征，然后利用這些特征避免吃到有毒的蘑菇。

文獻(xiàn)綜述

2011年，Jiawei Han和Micheline Kamber寫的著作《數(shù)據(jù)挖掘：概念與技術(shù)》里第六章詳細(xì)介紹了挖掘頻繁模式、關(guān)聯(lián)和相關(guān)性的基本概念和方法，該書給出了一個最經(jīng)典的關(guān)聯(lián)分析的案例即購物籃分析。劉玲，丁浩兩人發(fā)表的論文《上市公司財(cái)務(wù)報(bào)表粉飾識別》（2010）一文將關(guān)聯(lián)分析里Apriori算法理論應(yīng)用到了上市公司的財(cái)務(wù)分析領(lǐng)域。

毒蘑菇的實(shí)證分析

（1）數(shù)據(jù)來源與結(jié)構(gòu)

首先從網(wǎng)站https：//archive.ics.uci.edu

/ml/datasets/Mushroom搜集到了關(guān)于肋型蘑菇的23種特征的數(shù)據(jù)集，每個特征包含一個標(biāo)稱數(shù)據(jù)集，如果想做關(guān)聯(lián)分析，我們需要把這些標(biāo)稱值轉(zhuǎn)化為一個集合，Roberto Bayardo對UCI網(wǎng)站上蘑菇數(shù)據(jù)集進(jìn)行了解析，轉(zhuǎn)化后的數(shù)據(jù)來自http：//fimi.ua.ac.be/data/mushroom.dat/.

在數(shù)據(jù)集中中第一個特征代表蘑菇是否可食用，2代表有毒不可食用，1代表沒毒可食用。第二個特征代表蘑菇傘的形狀，有六種可能的值，分別用3-8的整數(shù)值來表示。

（2）程序代碼與結(jié)果

在搜集到數(shù)據(jù)和了解數(shù)據(jù)的結(jié)構(gòu)之后，開始基于R軟件中Apriori算法對數(shù)據(jù)集進(jìn)行實(shí)證分析，以便發(fā)現(xiàn)毒蘑菇的公共特征。

1.程序代碼：

install.packages（"arules"） #安裝arules程序包

library（arules） #加載arules程序包

載入需要的程序包：Matrix

載入程序包：‘a(chǎn)rules

transactions=read.transactions（file=file.choose（），format='basket'，sep='，'）#使用arules包中的read.transactions（）

函數(shù)讀取事務(wù)型數(shù)據(jù)集。

summary（transactions）#使用summary（）函數(shù)查看交易數(shù)據(jù)的概覽信息

itemFrequencyPlot（transactions，type='absolute'，topN=10）

rules=apriori（data = transactions，parameter = list（support = 0.4，confidence = 0.8，minlen = 2））

rules

inspect（rules[1：4]）

summary（rules）

inspect（sort（rules，by=list（'support'））[1：8]）

inspect（sor4t（rules，by=list（'lift'））[1：8]）

res= eclat（data =transactions，parameter = list（minlen = 2，maxlen = 3，support = 0.4，target = 'frequent itemsets'），

control = list（sort = -1））#然后使用eclat（）函數(shù)獲取經(jīng)常伴隨毒蘑菇一起出現(xiàn)的特征。

res

inspect（res）

2.結(jié)果：

使用Apriori算法參數(shù)設(shè)置支持度為40%，可信度為50%，將產(chǎn)生1810條規(guī)則。

> inspect（sort（rules，by=list（'lift'））[1：4]）#按提升度排序的前4條規(guī)則

lhs rhs support confidence lift

[1]{2} => {28} 0.4194462 0.8098859 1.865171

[2]{2，85} => {28} 0.4194462 0.8098859 1.865171

[3]{28} => {2} 0.4194462 0.9659864 1.865171

[4]{28，85} => {2} 0.4194462 0.9659864 1.865171

然后使用eclat（）函數(shù)獲取經(jīng)常伴隨毒蘑菇一起出現(xiàn)的特征。

> res= eclat（data =transactions，parameter = list（minlen = 2，maxlen = 3，support = 0.4，target = 'frequent itemsets'），control = list（sort = -1））

Eclat

> res

set of 282 itemsets

> inspect（res）

items support tems support

[17] {2，28，85} 0.4194462 [26] {2，28} 0.4194462

[121]{2，63，85} 0.4184615 [122]{2，59，85} 0.4480000

[123]{2，59，86} 0.4243692 [124]{2，34，59} 0.4243692

[125]{2，59，90} 0.4027077 [126]{2，39，59} 0.4155077

[127]{2，39，85} 0.4824615 [128]{2，39，86} 0.4588308

[129]{2，34，39} 0.4588308 [130]{2，39，90} 0.4174769

[131]{2，85，90} 0.4529231 [132]{2，86，90} 0.4292923

[133]{2，34，90} 0.4292923 [134]{2，34，85} 0.4942769

[135]{2，34，86} 0.4942769 [136]{2，85，86} 0.4942769

[137]{2，85} 0.5179077 [138]{2，86} 0.4942769

[139]{2，34} 0.4942769 [140]{2，90} 0.4529231

[141]{2，39} 0.4824615 [142]{2，59} 0.4480000

[143]{2，63} 0.4184615

可以看出表示有毒的蘑菇2經(jīng)常和特征34，39，59，63，85，86，90一起出現(xiàn)，所以我們尤其是生物學(xué)家們需要觀察蘑菇的特征以了解該蘑菇是否可食用，這里還需要說明的是有上述一種特征說明該蘑菇有毒不可以食用，但是如果沒有該特征也不定沒有毒，只是很大可能性上是沒有毒的。

總結(jié)

隨著大數(shù)據(jù)時代的發(fā)展，數(shù)據(jù)挖掘（data mining） 的應(yīng)用越來越廣泛，其中通過一些算法，一些模型，關(guān)聯(lián)規(guī)則的研究可以在大量的數(shù)據(jù)中發(fā)現(xiàn)某些事情之間存在的聯(lián)系，有助于我們做出更好的決策。本文主要是利用R語言軟件基于Apriori算法對蘑菇的特征進(jìn)行分析，來區(qū)分具有哪些特征的蘑菇是毒蘑菇，哪些蘑菇是可食用的。

作者簡介：葛麗翠 天津財(cái)經(jīng)大學(xué) 研究方向：市場調(diào)查