之前介紹了C5.0的内容，今天将描述超市購物籃内容（所購買的全部商品的集合）的虛構資料，以及購買的相關個人資料（通過忠誠卡方案獲得）。目的是尋找購買相似産品并且可按人口統計學方式（年齡，收入）刻畫其特征的客戶群。
要做這項工作，要進行兩個階段的工作：
關聯規則模組化和一個解釋所購買商品之間聯系的WEB顯示；
C5.0規則歸納（描繪已辨別産品組的購買者的特征）
Note：此應用不直接使用預測模型，是以，不對最終模型進行準确性度量，在資料挖掘過程中也不存在與之相關的訓練/檢驗兩個步驟的區分。
本例使用baskrule的流，該流引用名為BASKETS1n的資料檔案。這些檔案可在Clementine安裝檔案的Demo目錄中找到。檔案baskrule位于streams目錄下。
通路資料
使用“變量檔案”節點連接配接到資料集BASKETS1n，選擇要從該檔案讀取的字段名稱。
将“類型”節點連接配接到資料源，然後将該節點連接配接到“表”節點。
将字段卡ID的測量級别設定為無類型（因為每個忠誠卡ID在資料集中隻出現一次，是以對于模組化沒有用處）。選擇名義作為字段性别的測量級别（確定Apriori模組化算法不會将性别視為标志）。
連接配接一個表，顯示資料如下：
購物籃摘要：
cardid購買此籃商品的客戶的忠誠卡辨別符。
value購物籃的總購買價格
pmethod購物籃的支付方法
卡持有者的個人詳細資訊：
sex
homeown卡持有者是否擁有住房
income
age
購物籃内容---産品類别的出現标志：
fruitveg
freshmeat
dairy
cannedveg
cannedmeat
frozenmeal
beer
wine
softdrink
fish
confectionery
發現購物籃内容的關系
首先，需要使用Apriori大緻了解購物籃内容的關系（關聯）以生成關聯規則，選擇要再此模組化過程中使用的字段，方法是：編輯“類型”節點，将所有産品類别的角色設定為兩者，并将所有其他角色設定為無。（雙向表示該字段可以是結果模型的輸入或者輸出。）
指定了用于模組化的字段後，将Apriori節點附加到“類型”節點，編輯它，選擇選項“隻顯示值為真的标志變量”。
然後在Apriori節點上單擊“運作”。結果（管理器視窗右上角“模型”頁籤上的模型）包含可以檢視（使用上下文菜單，然後選擇“浏覽”）的關聯規則。
這些規則顯示凍肉，罐裝蔬菜和啤酒之間尊在多種關聯。出現雙向關聯規則。
frozenmeal->beer
beer->frozenmeal
提示：WEB顯示（隻顯示雙向關聯）可能會突出顯示此資料中的一些模式。将WEB節點附加到“類型”節點，編輯WEB節點，選擇所有購物籃内容字段，選擇“僅顯示true标志”。
然後在WEB節點上單擊“運作”。
因為大多數産品類别組合都會出現在多個購物籃中，是以WEB上的強連接配接太多，無法顯示模型表示的客戶群。故我們要進行限制性WEB顯示。
要制定弱連接配接和強連接配接，請單擊工具欄上的黃色雙箭頭按鈕。這回展開顯示WEB輸出摘要和控件的對話框。
選擇“大小表示強/正常/弱”。
将弱連接配接設定為低于90。
将強連接配接設定為高于100。
在最終顯示中，會有三個客戶群突出顯示：
購買魚和果蔬的客戶，可将這類客戶成為“健康食客”
購買酒和糧果的客戶
購買啤酒、凍肉和罐裝蔬菜（“啤酒、豆類和比薩”）的客戶
描繪客戶群的特征
根據客戶購買的産品類型辨別了三個客戶群，但是還要知道這些客戶是誰，即，他們的人口統計學特征。通過為每個群中，每個客戶添加标志，并使用規則歸納（C5.0）來基于規則描繪這些标志的特征，可以實作這一點。
首先，必須擷取每個群的标志。使用剛剛建立的web顯示，可以自動生成每個群的标志，使用滑鼠右鍵，單擊fruitveg和fish之間的連結以突出顯示該連結，然後右鍵單擊并選擇“為連結生成‘派生’節點”。
編輯最終的“派生”節點以将“派生”字段名稱更改為健康。使用從wine到confectionery的連結重複該練習，并将最終的“派生”字段命名為wine_chocs.
對于第三個群（涉及三個連結），首先要確定未選擇任何連結。然後，按住shift同時單擊滑鼠左鍵，進而選擇cannedveg、beer和frozenmeal中的全部三個連結。（一定要處于“互動”模式而不是“編輯”模式。）然後，從web顯示菜單中選擇：
生成>導出節點（“和”）
将最終“派生”字段的名稱更改為beer_beans_pizza。
要描繪這些客戶群的特征，要連續将現有的類型節點連接配接到這三個導出節點，然後附加另一個類型節點。在新的“類型”節點中，将除以下字段外的所有字段的角色都設定為無：value、pmethod、sex、homeown、income和age（這些字段的角色應該設定為輸入），以及相關的客戶群（例如，beer_beans_pizza，他們的角色應該設定為目标）。
附加C5.0節點，将輸出類型設定為規則集，然後在節點上單擊“運作”。最終模型（用于beer_beans_pizza）包含此客戶群的明确人口統計學特征：
Rule 1 for T：
if sex=M
and income <=16,900
then T
此案例結合了Apriori和C5.0完成了使用者購買行為的分析（一方面是使用者的自身行為的把握，另一方面是使用者買什麼産品，怎麼搭配讓使用者去買的把握）事實上，多數的時候我們隻完成了一方面的工作，或者把二者隔離開來分析，真正的分析不應該是隻問使用者買什麼，我們怎麼搭配銷售最好，還要精準投放，精準的分析使用者的自身素質。
從上圖發現：
工資收入高于16950的人購買三者的比例99.2%
工資低于16950的人的女士購買三者比例98.8%
等等......
通過在第二個類型節點中選擇其他客戶群标志作為輸出，可将同意方法應用到這些标志，通過在此上下文使用Apriori代替C5.0，可生成更多替代特征描繪；Apriori也用于同時描繪所有客戶群的特征，原因是，Apriori并非被限制到一個輸出字段。下圖為整個過程的資料流。