在個性化推薦中，除了應用比較廣的協同過濾，還有關聯規則。作為資料探勘中一個獨立的課題，關聯規則用於從大量資料中挖掘出有價值的資料項之間的相關關係，比如購買啤酒的顧客有多大的概率購買尿布？這就購物籃中比較著名的”啤酒與尿布“的故事；介紹兩個關聯規則中常用的演算法：Apriori和Eclat，這兩個演算法在arules中均有涉及； 關聯規則維基百科：Apriori演算法是應用比較廣泛的頻繁項集的演算法，特別是挖掘布林關聯規則（0-1）；演算法主要分為兩步：

• 第一步通過迭代，檢索出事務交易資料中的所有頻繁項集，即支援度不低於使用者設定的閾值的項集；

• 第二步利用頻繁項集構造出滿足使用者最小信任度的規則。其中，挖掘或識別出所有頻繁項集是該演算法的核心，佔整個計算量的大部分。

Eclat主要思想是倒排，常規的交易資料是事務ID-事務資料，Eclat用事務中的每一項作為ID，事務ID作為值，對交易資料進行了變換； 詳細的資料變換和演算法請參考： arules package 

       從上圖可見：關聯規則的核心是生成itemMatrix，然後由apriori演算法生成規則或者由eclat演算法生成頻繁項集； 介紹一下arules中常用的函式：

1、as(object,class)：演算法處理的矩陣與常規資料物件間的轉換，規則的轉換；
2、apriori(data, parameter = NULL, appearance = NULL, control = NULL) eclat(data, parameter = NULL, control = NULL) 兩個主要演算法函式，data為交易資料格式，可以通過as轉換；parameter為引數列表，比如定義 最小支援度和置信度，control主要用於演算法控制； 
3、inspect(rules[1000])；inspect(SORT(fsets, by = "support")[1:10]) 檢視或者按條件（支援度或置信度）檢視求得的規則 
4、subset(rules, subset = rhs %in% "Milk" &lift > 1.2)：規則的篩選 5、itemFrequencyPlot(AdultSample, population = Adult, support = supp) 對滿足條件的頻繁項畫圖

library(arules) #以Groceries資料為例，超市購物的例子，每一行為一個顧客的購買記錄，格式為transactions #也就是以稀疏矩陣儲存的物品矩陣資料 
data(Groceries) df.Gro=as(Groceries,"data.frame") head(df.Gro) #items 
 #1 {citrus fruit,semi-finished bread,margarine,ready soups}
 #2 {tropical fruit,yogurt,coffee}
 #3 {whole milk}
 #4 {pip fruit,yogurt,cream cheese ,meat spreads}
 #5 {other vegetables,whole milk,condensed milk,long life bakery product}
 #6 {whole milk,butter,yogurt,rice,abrasive cleaner}
 #參考上面的轉換我們還可以用as把data.frame轉為transcation test.Groceries=as(df.Gro,"transcations") rules = apriori(Groceries,parameter = list(support = 0.01,confidence = 0.2)) inspect(sort(rules,by="support")[1:6])
 #按支援度檢視前6條規則 inspect(sort(rules,by="confidence")[1:6])
 #按置信度檢視前6條規則 #也可以用subset做規則的篩選,取"右手邊"含有whole milk且lift大於1.2的規則 sub.rules=subset(rules, subset = rhs %in% "whole milk" &lift > 1.2)
 #用eclat演算法求頻繁項
 sets=eclat(Groceries, parameter = list(support =0.05,maxlen=10))
 #也可以用上面的inspect和subset檢視或篩選規則
 #針對transcation資料畫頻繁項的圖 itemFrequencyPlot(Groceries,support = 0.05,cex.names =0.8) 
 #儲存規則 兩種方法 #轉換成data.frame儲存 df.rules=as(rules,"data.frame") write.csv(df.rules,"GeroRules.csv")
 #直接儲存 write(rulesIncomeSmall, file = "GeroRules.csv", sep = ",", col.names = NA) 

itemFrequencyPlot: 

簡單介紹一下關聯規則的視覺化包：

 #每個畫圖包背後都有一堆包，像ggplot2 library(arulesViz)
 #載入需要的程輯包：scatterplot3d #載入需要的程輯包：vcd
 #載入需要的程輯包：MASS
 #載入需要的程輯包：grid
 #載入需要的程輯包：colorspace
 #載入需要的程輯包：seriation
 #載入需要的程輯包：cluster
 #載入需要的程輯包：TSP
 #載入需要的程輯包：gclus
 #arulesViz中有很多圖形，介紹幾個好看的，畫圖的物件都是rules plot(rules, shading="order", control=list(main = "Two-key plot"))
 #見chart.1 plot(rules, method="grouped")
 #見chart.2 plot(rules, method="graph")#見chart.3

文章轉載自：http://www.itongji.cn/article/0QR5962013.html