這裡我們採用上文的資料集，利用R來做一個簡單的應用示例：

由事務生成頻繁項集

install.packages("arules")

install.packages("arulesViz")

#  處理事務資料集,並將其轉成transactions類的一個例項：

MyList<-list( 

c("I1", "I2", "I5"),

c("I2", "I4"),

c("I2", "I3"),

c("I1", "I2", "I4"),

c("I1", "I3"),

c("I2", "I3"),

c("I1", "I3"),

c("I1", "I2", "I3", "I5"),

c("I1", "I2", "I3")

)

# 命名

 

探索頻繁項集，生成有效關聯規則

1.資料應事先組織在引數data指定的transactions類物件中，也可以組織在自動轉換為transactions類物件的其他物件中（如列表、矩陣、資料框）。

2.引數parameter是一個關於引數的列表，包括的主要成分有：support，指定最小支援度（min_sup，預設值為0.1）；confidence，指定最小置信度（min_conf，預設值為0.8）；minlen，指定關聯規則所包含的最小專案數（預設值為1）；maxlen，指定關聯規則所包含的最大專案數（預設值為10）；target，指定輸出怎樣的搜尋結果，“rules”表示給出簡單關聯規則，“frequent itemsets”表示給出所有的頻繁項集，“maximally frequent itemsets”表示給出最大頻繁項集。

下面我們看一下不指定minlen引數的情況（即預設值為1）：

MyRules<-apriori(data=MyTrans,parameter=list(support=0.22,confidence=0.6,target="rules"))

inspect(MyRules)

size(x=MyRules)

# 利用sorted函式排序：

MyRules.sorted<-sort(x=MyRules,by="lift",decreasing=TRUE)

inspect(MyRules.sorted)

可以看到有形如”{} => {I1}“的關聯規則出現，因為minlen是預設值，即允許規則中只包含一個專案；例如，前面說的{} => {I1}（S=0.6666667， C=0.6666667）表示I1會以2/3的概率出現在事務中，與前項無關。

下面我們更改一下minlen引數，令minlen=2，結果如下：

可以看到，根據提升度（lift）排序結果，後面兩個關聯規則小於1，應當認為這些規則缺乏實用性，可以剔除。我們可以發現，Apriori演算法僅依據最小支援度和最小置信度給出有效的關聯規則，對無用規則還需根據lift大小手工剔除。

# 由於前文沒有提及到提升度的概念，這裡需要補充一下提升度的概念。

# 在給出提升度的概念之前需要補充一下前項支援度和後項支援度的概念。

# 這裡為了統一起見，對於規則A => B，前項支援度S(A) = T(A) / T,後項支援度S(B) = T(B) / T；其中T(A)、T(B)和T分別表示包含項A的事務數、包含項B的事務數和總事務數。

# 該規則的提升度（lift）定義為：規則置信度與後項支援度的比值，即：

L(A => B) = C / S(B) = S / (S(A)*S(B))

實際上，後項支援度是沒有模型時研究後項的先驗概率。規則的提升度則反映了專案A出現對專案B（即我們要研究的目標項）出現

的影響程度。從統計學的角度來看，如果專案A對專案B沒有影響，專案A獨立於專案B，則支援度S = S(A)*S(B)，此時規則的提升度等於1。所以，有使用價值的簡單關聯規則應是規則提升度大於1的規則，意味著A的出現對B的出現有促進作用。規則提升度越大越好。

篩選關聯規則

通常Apriori演算法給出的關聯規則較多，可以根據實際情況對其進行篩選。可利用subset函式提取關聯規則的子集，其基本語法為：

subset(x=關聯規則類物件名， subset=條件)

式中，引數subset後是一個邏輯表示式或正則表示式。

例如，對上面的關聯規則輸出只有兩個專案的規則：

輸出提升度大於1的規則：

關聯規則的視覺化

首先需要載入arulesViz包

視覺化頻繁項集

呼叫plot函式，藉助有向網狀圖視覺化頻繁項集，基本語法如下：

plot(x=頻繁項集類物件名，method="graph",control=list(main=圖形主標題))

簡單解釋一下：

圓圈的大小表示支援度，中間字母表示專案，通過有向箭頭指向一個支援度，表示相應專案組成的一個項集。例如，圖形中部的I1和I2均通過有向箭頭指向中部圓圈，表示{I1，I2}的支援度為0.4444444；I1、I2和I3均通過有向箭頭指向一個小圈，表示{I1，I2，I2}的支援度為0.2222222。

視覺化關聯規則

呼叫plot函式視覺化關聯規則，基本語法如下：

plot(x=關聯規則類物件名，method=圖型別名，control=控制引數)

其中：

1.引數method可取“grouped”表示類似以氣泡圖的形式展示關聯規則，取“graph”表示以有向網狀圖的形式展示關聯規則，取“paracoord”表示以平行圖形的形式展示關聯規則。

2.引數control是個列表，可指定圖的主標題、圖中箭頭的大小等。

-  繪製grouped圖

圖中橫座標為規則前項，縱座標為規則後項，圓圈表示關聯規則，圓圈大小表示支援度大小；顏色深淺代表規則提升度的高低。

例如：空項可以分別推出{I1}、{I2}、{I3}，其中{I2}的支援度最大，且3個規則的提升度一樣。

-  繪製paracoord圖：

paracoord圖通過由左至右的帶箭頭折線表示關聯股則的前項和後項，用折線的粗細表示規則支援度的大小，灰度深淺表示提升度的高低。例如：
從圖中可以看出{I3} = > {I1}、{I3} = > {I2}、{I1} = > {I2}、{I1} = > {I3}的支援度是最高的。（注意這裡沒有畫出形如{} => {I1}的關聯規則）

-  繪製graph圖

圖中節點為關聯規則的前項和後項，帶方向的箭頭從前項指向後項。箭頭寬度的大小表示規則支援度的大小，灰度深淺表示提升度的高低。例如：

圖中，{} => {I2}的支援度顯然比{I4} => {I2}的支援度大，但是其提升度沒有後者高。