1）基本认识

购物篮分析：用来判别事务型数据中商品之间关联的机器学习方法，在零售店之间广泛使用。
购物篮分析的结果是一组指定商品之间关系模式的关联规则。
表现形式：{花生酱，果冻}——>{面包}，即如果购买了花生酱和果冻，就很有可能购买面包。商品的集合称为项集。
特点：无监督学习，不能预测，智能发现知识；不能衡量算法性能，只能定性地评估。
其他应用场景：癌症种寻找DNA和蛋白质频繁出现的模式；信用卡欺诈和保险或医疗津贴的模式等。

2）Apriori算法

Apriori：a priori，即事先
事务型数据特点：一般很庞大，潜在的项集数量随着特征的数量呈指数增加。给定k个项，则有2^k个可能的项集必须用于规则的搜索。
采用启发式算法来减少需要搜索的项集数，如广泛使用的Apriori算法，利用了一个简单的先验信念作为准则来减少关联规则的搜索空间（Apriori性质：一个频繁项集的所有子集必须也是频繁的）。

度量规则兴趣度：支持度和置信度

支持度：一个项集或规则在数据中出现的频率。项集可以是多个项{A,B}，也可是单个{A}。
置信度：规则的预测能力或准确度度量，即表交易中项集X的出现导致项集Y出现的比例，和贝叶斯概率P(A|B)类似。

用Apriori性质建立规则

如果{A,B}是频繁的，那么{A}和{B}必须是频繁的。通过Apriori算法可提前排除潜在的关联规则。
过程：一是通过多次迭代-停止的过程来识别所有满足最小支持度阈值的项集；二是根据满足最小置信度阈值的这些项集来创建规则。

2.关联规则应用示例

用关联规则确定经常一起购买的食品杂货

1）收集数据

来自某超市经营一个月的购物数据，包含9835次交易，大约每天327次交易。不考虑品牌，将食品杂货数量归为169个类型，探究哪种类型的商品有可能一起购买。

数据下载：

链接: https://pan.baidu.com/s/11xTz8xkJxXTuj0hc5THTZA 提取码: s5pr

2）探索和准备数据

不同于矩阵，事务型数据形式更自由，每一行为案例（一次交易），每条记录包括用逗号隔开的任意数量的产品清单，一至多个。也就是说案例之间的特征可能是不同的。

①为交易数据创建一个稀疏矩阵
传统的数据框一旦增加额外的交易和商品，会变得过大而导致内存不足，因此用稀疏矩阵（购买了该单元格为1，否则为0，169列商品大部分单元为0）在内存中没有存储完整的矩阵，只是存储了由一个商品所占用的单元。

使用arules包中的read.transactions函数创建事务型数据的稀疏矩阵。

## Example: Identifying Frequently-Purchased Groceries ----
## Step 2: Exploring and preparing the data ----

# load the grocery data into a sparse matrix
library(arules)
groceries <- read.transactions("groceries.csv", sep = ",")
summary(groceries)

# look at the first five transactions
inspect(groceries[1:5])

# examine the frequency of items
itemFrequency(groceries[, 1:3])

②可视化商品的支持度（商品频率）

# plot the frequency of items
itemFrequencyPlot(groceries, support = 0.1) #支持度至少10%
itemFrequencyPlot(groceries, topN = 20) #支持度前20的商品

③可视化稀疏矩阵（商品交易）
矩阵中有黑色填充的，说明被购买了。大多数情况下，图形是比较随机的。
对于超大型交易数据集不适合全部展示，这时可以对交易进行随机抽样并可视化。

# a visualization of the sparse matrix for the first five transactions
image(groceries[1:5])

# visualization of a random sample of 100 transactions
image(sample(groceries, 100))

3）训练模型

apriori函数很简单，但要找到支持度和置信度参数来产生合理数量的关联规则，需要大量的试验和误差评估。参数阈值设置太高，可能没有规则或规则太普通，太低则可能导致规则数量庞大，耗时耗内存。

训练模型函数说明：

#找出关联规则
myrules=arules::apriori(data, 
        parameter = list(
                     support = 0.1,  #最低支持度
                     confidence = 0.8, #最低置信度
                     minlen = 1)) #最低项数

# 检验关联规则
inspect(myrules)

支持度的阈值设置：考虑规则之前，事先想好需要最小的交易数量，如某商品一天购买2次（一月约60次）时可考虑建立规则，则支持度设为60/9835=0.006。
置信度的阈值设置：涉及一个巧妙的平衡。绝大部分取决于分析目标，如从保守值开始，若无可行性规则，再降低要求拓宽范围。
minlen设定为2有助于消除包含少于两类商品的规则，防止仅仅是由于某商品被频繁购买而创建的无趣规则。

## Step 3: Training a model on the data ----
library(arules)

# default settings result in zero rules learned
apriori(groceries)

# set better support and confidence levels to learn more rules
groceryrules <- apriori(groceries, parameter = list(support =
                          0.006, confidence = 0.25, minlen = 2))
groceryrules

4）评估性能

规则的大小：前项（条件项/左项，lhs）和后项（结果项/右项，rhs）之和，如{peanut butter, jully}=>{bread}的大小为2+1=3.
度量规则质量的统计量：支持度（support），置信度（confidence）和提升度（lift）。提升率是指一类商品相对于它的一般购买率，被购买的可能性有多大。若lift大于1，则说明商品关联一起比单类商品购买更常见。
需要注意一些平凡的规则和令人费解的规则（可能只是随机模式）

## Step 4: Evaluating model performance ----
# summary of grocery association rules
summary(groceryrules)

# look at the first three rules
inspect(groceryrules[1:3])

5）提高模型性能

①对关联规则集合排序
最有用的规则或许是那些具有最高支持度、置信度和提升度的规则，所以对其进行排序来寻找感兴趣的规则。

# sorting grocery rules by lift
inspect(sort(groceryrules, by = "lift")[1:5])

②提取关联规则的子集
假如只对某种商品和其他商品关联感兴趣，，如浆果berries，则可以提取包含berries的所有规则。

# finding subsets of rules containing any berry items
berryrules <- subset(groceryrules, items %in% "berries")
inspect(berryrules)

③将关联规则保存到文件或数据框中
转化数据框使用as函数。

# writing the rules to a CSV file
write(groceryrules, file = "groceryrules.csv",
      sep = ",", quote = TRUE, row.names = FALSE)

# converting the rule set to a data frame
groceryrules_df <- as(groceryrules, "data.frame") 
str(groceryrules_df)