
數(shù)據(jù)挖掘系列使用weka做關(guān)聯(lián)規(guī)則挖掘
前面幾篇介紹了關(guān)聯(lián)規(guī)則的一些基本概念和兩個(gè)基本算法,但實(shí)際在商業(yè)應(yīng)用中,寫算法反而比較少,理解數(shù)據(jù),把握數(shù)據(jù),利用工具才是重要的,前面的基礎(chǔ)篇是對算法的理解,這篇將介紹開源利用數(shù)據(jù)挖掘工具weka進(jìn)行管理規(guī)則挖掘。
weka數(shù)據(jù)集格式arff
arff標(biāo)準(zhǔn)數(shù)據(jù)集簡介
weka的數(shù)據(jù)文件后綴為arff(Attribute-Relation File Format,即屬性關(guān)系文件格式),arff文件分為注釋、關(guān)系名、屬性名、數(shù)據(jù)域幾大部分,注釋用百分號(hào)開頭%,關(guān)系名用@relation申明,屬性用@attribute什么,數(shù)據(jù)域用@data開頭,看這個(gè)示例數(shù)據(jù)集(安裝weka后,可在weka的安裝目錄/data下找到weather.numeric.arff):
當(dāng)數(shù)據(jù)是數(shù)值型,在屬性名的后面加numeric,如果是離散值(枚舉值),就用一個(gè)大括號(hào)將值域列出來。@data下一行后為數(shù)據(jù)記錄,數(shù)據(jù)為矩陣形式,即每一個(gè)的數(shù)據(jù)元素個(gè)數(shù)相等,若有缺失值,就用問號(hào)?表示。
arff稀疏數(shù)據(jù)集
我們做關(guān)聯(lián)規(guī)則挖掘,比如購物籃分析,我們的購物清單數(shù)據(jù)肯定是相當(dāng)稀疏的,超市的商品種類有上10000種,而每個(gè)人買東西只會(huì)買幾種商品,這樣如果用矩陣形式表示數(shù)據(jù)顯然浪費(fèi)了很多的存儲(chǔ)空間,我們需要用稀疏數(shù)據(jù)表示,看我們的購物清單示例(basket.txt):
數(shù)據(jù)集的每一行表示一個(gè)去重后的購物清單,進(jìn)行關(guān)聯(lián)規(guī)則挖掘時(shí),我們可以先把商品名字映射為id號(hào),挖掘的過程只有id號(hào)就是了,到規(guī)則挖掘出來之后再轉(zhuǎn)回商品名就是了,retail.txt是一個(gè)轉(zhuǎn)化為id號(hào)的零售數(shù)據(jù)集,數(shù)據(jù)集的前面幾行如下:
這個(gè)數(shù)據(jù)集的商品有16469個(gè),一個(gè)購物的商品數(shù)目遠(yuǎn)少于商品中數(shù)目,因此要用稀疏數(shù)據(jù)表,weka支持稀疏數(shù)據(jù)表示,但我在運(yùn)用apriori算法時(shí)有問題,先看一下weka的稀疏數(shù)據(jù)要求:稀疏數(shù)據(jù)和標(biāo)準(zhǔn)數(shù)據(jù)的其他部分都一樣,唯一不同就是@data后的數(shù)據(jù)記錄,示例如下(basket.arff):
可以看到
表示為了:
稀疏數(shù)據(jù)的表示格式為:{<屬性列號(hào)><空格><值>,...,<屬性列號(hào)><空格><值>},注意每條記錄要用大括號(hào),屬性列號(hào)不是id號(hào),屬性列號(hào)是從0開始的,即第一個(gè)@attribute 后面的屬性是第0個(gè)屬性,T表示數(shù)據(jù)存在。
規(guī)則挖取
我們先用標(biāo)準(zhǔn)數(shù)據(jù)集normalBasket.arff[1]試一下,weka的apriori算法和FPGrowth算法。
1、安裝好weka后,打開選擇Explorer
2、打開文件
3、選擇關(guān)聯(lián)規(guī)則挖掘,選擇算法
4、設(shè)置參數(shù)
參數(shù)主要是選擇支持度(lowerBoundMinSupport),規(guī)則評價(jià)機(jī)制metriType(見上一篇)及對應(yīng)的最小值,參數(shù)設(shè)置說明如下[2]:
1. car 如果設(shè)為真,則會(huì)挖掘類關(guān)聯(lián)規(guī)則而不是全局關(guān)聯(lián)規(guī)則。
2. classindex 類屬性索引。如果設(shè)置為-1,最后的屬性被當(dāng)做類屬性。
3. delta 以此數(shù)值為迭代遞減單位。不斷減小支持度直至達(dá)到最小支持度或產(chǎn)生了滿足數(shù)量要求的規(guī)則。
4. lowerBoundMinSupport 最小支持度下界。
5. metricType 度量類型。設(shè)置對規(guī)則進(jìn)行排序的度量依據(jù)??梢允牵褐眯哦龋?a href='/map/guanlianguize/' style='color:#000;font-size:inherit;'>關(guān)聯(lián)規(guī)則只能用置信度挖掘),提升度(lift),杠桿率(leverage),確信度(conviction)。
在 Weka中設(shè)置了幾個(gè)類似置信度(confidence)的度量來衡量規(guī)則的關(guān)聯(lián)程度,它們分別是:
a) Lift : P(A,B)/(P(A)P(B)) Lift=1時(shí)表示A和B獨(dú)立。這個(gè)數(shù)越大(>1),越表明A和B存在于一個(gè)購物籃中不是偶然現(xiàn)象,有較強(qiáng)的關(guān)聯(lián)度.
b) Leverage :P(A,B)-P(A)P(B)Leverage=0時(shí)A和B獨(dú)立,Leverage越大A和B的關(guān)系越密切
c) Conviction:P(A)P(!B)/P(A,!B) (!B表示B沒有發(fā)生) Conviction也是用來衡量A和B的獨(dú)立性。從它和lift的關(guān)系(對B取反,代入Lift公式后求倒數(shù))可以看出,這個(gè)值越大, A、B越關(guān)聯(lián)。
6. minMtric 度量的最小值。
7. numRules 要發(fā)現(xiàn)的規(guī)則數(shù)。
8. outputItemSets 如果設(shè)置為真,會(huì)在結(jié)果中輸出項(xiàng)集。
9. removeAllMissingCols 移除全部為缺省值的列。
10. significanceLevel 重要程度。重要性測試(僅用于置信度)。
11. upperBoundMinSupport 最小支持度上界。 從這個(gè)值開始迭代減小最小支持度。
12. verbose 如果設(shè)置為真,則算法會(huì)以冗余模式運(yùn)行。
設(shè)置好參數(shù)后點(diǎn)擊start運(yùn)行可以看到Apriori的運(yùn)行結(jié)果:
FPGrowth運(yùn)行的結(jié)果是一樣的:
每條規(guī)則都帶有出現(xiàn)次數(shù)、自信度、相關(guān)度等數(shù)值。
下面測一個(gè)大一點(diǎn)的數(shù)據(jù)集retail.arff[1](retail.arff是由retail.txt轉(zhuǎn)化而來,為了不造成誤解,我在id好前加了一個(gè)"I",比如2變?yōu)镮2),這個(gè)數(shù)據(jù)用的稀疏數(shù)據(jù)表示方法,數(shù)據(jù)記錄有88162條,用Apriori算法在我的2G電腦上跑不出來,直接內(nèi)存100%,用FPGrowth可以輕松求出,看一下運(yùn)行結(jié)果:
其他參數(shù)可以自己調(diào)整比較。
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
LSTM 模型輸入長度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報(bào)考條件詳解與準(zhǔn)備指南? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代浪潮下,CDA 數(shù)據(jù)分析師認(rèn)證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計(jì)的實(shí)用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強(qiáng)大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實(shí)施重大更新。 此次更新旨在確保認(rèn) ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價(jià)值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡稱 BI)深度融合的時(shí)代,BI ...
2025-07-10SQL 在預(yù)測分析中的應(yīng)用:從數(shù)據(jù)查詢到趨勢預(yù)判? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代,預(yù)測分析作為挖掘數(shù)據(jù)潛在價(jià)值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價(jià)值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點(diǎn),而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報(bào)考到取證的全攻略? 在數(shù)字經(jīng)濟(jì)蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢性檢驗(yàn):捕捉數(shù)據(jù)背后的時(shí)間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢性檢驗(yàn)如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時(shí)間維度的精準(zhǔn)切片? ? 在數(shù)據(jù)的世界里,時(shí)間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準(zhǔn) ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實(shí)戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認(rèn)證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗(yàn):數(shù)據(jù)趨勢與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準(zhǔn)確捕捉數(shù)據(jù)的趨勢變化以及識(shí)別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認(rèn)證作為國內(nèi)權(quán)威的數(shù)據(jù)分析能力認(rèn)證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對策略? 長短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨(dú)特的門控機(jī)制,在 ...
2025-07-07統(tǒng)計(jì)學(xué)方法在市場調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場調(diào)研是企業(yè)洞察市場動(dòng)態(tài)、了解消費(fèi)者需求的重要途徑,而統(tǒng)計(jì)學(xué)方法則是市場調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當(dāng)下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動(dòng)力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準(zhǔn)確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動(dòng)力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價(jià)值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03