数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。
关联挖掘关系，从消费者交易记录中发现商品之间的关系。
Apriori原理
1、支持度
商品组合出现的次数与总次数之比。
五次购买，四次购买牛奶，牛奶支持度为4/5=0.8。
五次购买，三次购买牛奶+面包，牛奶+面包支持3/5=0.6。
2、置信度
购买商品A，购买商品B的概率有多大，发生A时发生B的概率有多大。
买了四次牛奶，其中两次买了啤酒，(牛奶->啤酒)的可信度是2/4=0.5。
三次买啤酒，其中两次买牛奶，(啤酒->牛奶)的可信度为2/3-0.67。
3、提升度
衡量商品A的出现，提高商品B出现概率的程度。
提升度(A->B)=置信度(A->B)/支持度(B)。
提升度>1，有提升；提升度=1，无变化；提升度1，下降。
4、项集频繁
项集：可以是单一商品，也可以是商品组合。
频繁的项集是支持度大于最小支持度的项集(MinSupport)。
计算过程
（1）从K=1开始，经常筛选项集。
（2）在结果中，组合K+1项集，重新筛选。
（3）循环1,2步。K-1项集的结果是最终结果，直到找不到结果。
扩展：FP-Growth算法。
Apriori算法需要多次扫描数据库，性能低，不适合大数据量。
FP-growth算法，通过构建FP树的数据结构，将数据存储在FP树中，只需在构建FP树时扫描数据库两次，后续处理就不需要再访问数据库。
比喻：啤酒和纸尿裤一起卖。
沃尔玛通过数据分析发现，在美国有婴儿的家庭中，母亲通常在家照顾孩子，父亲去超市买尿布。
父亲在买纸尿裤的时候，经常会搭配几瓶啤酒来奖励自己。因此，超市试图推出一种将啤酒和纸尿裤放在一起的促销手段，这实际上大大增加了纸尿裤和啤酒的销量。
声明：本文来自新机器视觉，版权归作者所有。文章内容仅代表作者独立观点，不代表数字化转型网立场，转载目的在于传递更多信息。如有侵权，请联系我们。
数字化转型网数据专题包含哪些内容
数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。
数字化转型网数据专题包含：
1、数据相关外脑支持：100+数据相关专家、100+数据实践者、1000+相关资料
2、数据研习社：与全球数据相关专家、实践者共同探讨相关问题，推动产业发展！
3、国际认证培训：目前已引进DAMA国际认证CDMP，其他国内外认证也在逐步引进中
4、典型案例参考：与数字化转型网数据要素X研习社社员一起学习典型案例，共探企业数据落地应用
