关联规则简介：

    关联规则虽然来源于POS中，但是可以应用于很多领域。只要一个客户在同一个时间里买了多样东西，或者在一段时间了做了好几样事情就可能是一个潜在的应用。例如：用信用卡购物，如汽车租金和旅馆费，可以看他下一个要买的东西。电话公司提供的多项服务，以研究捆绑销售的问题。
银行提供的多项服务，来分析客户可能需要那些服务。

    不寻常的多项保险申请可能是欺诈行为。

    数据挖掘什么时候有用？三种规则：有用的、价值不高的、费解的。价值不高的规则往往是对一些商业领域内的规则重现。费解的规则往往是数据中一些偶然的东西，从而也没有什么采取行动的价值。

    虚拟元素（Virtual Items）是一个在事务中认为加入的元素。用来对事务进行一定的区别。加入虚拟元素后我们能做的事情：

    对比促销时和平常销售时的区别。

    按照销售的区域来看，按照销售的方式来看。
    比较城市和郊区的区别。 比较各个季节的不同。

    数据挖掘的基本流程：

     选择合适的元素。考虑不同的统计级别，选择哪种细节程度。细节的颗粒越粗，那么算法的工作量就越小；细节的颗粒越细，那么结果的可实施性就越好。关键：只有当数据中的元素出现的次数大致相同是，关联规则的效果才最好。虚拟元素不能太多！应该注意数据的质量。
产生规则。什么是规则？就是一个条件和一个结果的和：If condition then result。实际中有用的往往是结果中只有一个元素的情况。支持度、可信度和提高率（兴趣度）。

    支持度：就是一个元组在整个数据库中出现的概率。如上面的例子中S(A)=0.45。
    可信度：它是针对规则而言的。对于一般的规则，它的可信度=p（condition and result）/p（condition）。例如有如下规则：If B and C then A。则它的可信度是：p（B and C and A）/p（B and C）=5%/15%=0.33。
提高率（或者叫兴趣度）：对于上面的一个规则，我们可以发现，当我们从从数据库中直接取A的时候，概率是45%；可在我们的规则中，取到A的概率却只有33.3%。显然，这种情况是我们不愿意见到的，我们应该略去这样的一些规则。所以我们引入了兴趣度的概念，具体的公式如下：兴趣度=p(condition and result)/p(condition)*p(result)。当兴趣度大于1的时候，这条规则就是比较好的；当兴趣度小于1的时候，这条规则就是没有很大意义的。兴趣度越大，规则的实际意义就越好。

   克服实际应用中数据量暴大的问题。当数据量增大时，要考虑的元素组就增长的很快了。
   分裂规则：例如：If A and not B then C。
   用关联规则的方法对序列规则的分析：
   为了进行序列模式的分析，事务数据要满足额外的两个条件：
   一个时标或者序列信息用以决定事务发生的顺序。
   标识信息，用以区别不同的事务。
  可以用于原因结果分析。

    关联规则的优缺点：

    优点：
    它可以产生清晰有用的结果。 它支持间接数据挖掘。 可以处理变长的数据。 它的计算的消耗量是可以预见的。
    缺点：
    当问题变大时，计算量增长得厉害。 难以决定正确的数据。 容易忽略稀有的数据。