前言
應用場景介紹
關聯規則算法是在大量資料事例中挖掘項集之間的關聯或相關聯系，它典型的應用就是購物籃分析，通過關聯規則分析幫助我們發現交易資料庫中不同的商品（項）之間的聯系，找到顧客購買行為模式，如購買某一個商品對其它商品的影響。進而通過挖掘結果應用于我們的超市貨品擺放、庫存安排、電子商務網站的導航安排、産品分類、根據購買模式對使用者進行分類，相關産品推薦等等。
比較典型的為大家所熟知的就是：啤酒和尿布的故事
其實很多電子商務網站中在我們浏覽相關産品的時候，它的旁邊都會有相關産品推薦，當然這些它們可能僅僅是利用了分類的原理，将相同類型的的産品根據浏覽量進而推薦給你，這也是關聯規則應用的一種較簡單的方式，而關聯規則算法是基于大量的資料事實，通過資料層面的挖掘來告訴你某些産品項存在關聯，有可能這種關聯關系有可能是自身的，比如：牙刷和牙膏、筷子和碗...有些本身就沒有關聯是通過外界因素所形成的關系，經典的就是：啤酒和尿布，前一種關系通過常識我們有時候可以擷取，但後一種關系通過經驗就不易獲得，而我們的關聯規則算法解決的就是這部分問題。
技術準備
（1）微軟案例資料倉庫（AdventureWorksDW208R2），這裡我們應用到兩張表：vAssocSeqLineItems 表和 vAssocSeqOrders 表，這兩張表典型的“一對多”的關聯關系，vAssocSeqOrders為訂單表，vAssocSeqLineItems 表為訂單明細表，兩者通過OrderNumber關聯，稍後的步驟我們會詳細的分析這兩張表内容
（2）VS2008、SQL Server、 Analysis Services
操作步驟
（1）我們這裡還是利用上一期的解決方案，然後資料源，然後資料源視圖，很簡單的步驟，不明白的可以看我們前面幾篇文章，然後将這兩張表的主外鍵關聯上，我們來看圖：
很基礎的東西，這裡不做過多的解釋，Orders為主表，Items為明細表，通過CustomerKey主鍵進行關聯，下面我們浏覽下這兩張表裡面的資料：
vAssocSeqOrders表内容很簡單：訂單号（邏輯主鍵）、客戶号（客戶表的外鍵）、地區、收入類型，别的沒啥可預覽的，這種表是太基礎的内容，來看另外一張表：
vAssocSeqLineItems表，訂單号（外鍵）、購買數量、購買産品，很簡單的一張表
（2）建立挖掘結構
這裡我們建立這個資料的挖掘模型，很簡單的下一步、下一步就行，有不明白的可以參照我以前的内容或者私信我，我們來看幾個關鍵的步驟：
這裡我們選擇Microsoft關聯規則算法，然後下一步：
這裡我們标示好事例表和嵌套表，下一步我們指定定型資料
這這裡面我們配置好鍵、和輸入、輸出預測列，然後起個名字：relevance
至此，我們的Microsoft關聯規則分析算法已經初步建立好了，下面一步我們來配置該算法幾個關鍵屬性值。
（3）參數配置
此種算法有兩個參數比較重要，我們來看：
Support:定義規則被視為有效前必須存在的事例百分比。也就是說作為關聯規則篩選的事例可能性，比如設定成10%，也就是說在隻要在所有事例中所占比為10%的時候才能進行挖掘。
Probability:定義關聯被視為有效前必須存在的可能性。該參數是作為結果篩選的一個預定參數，比如設定成10%，也就是說在預測結果中機率産生為10%以上的結果值才被展示。
我們将該模型的兩個參數設定為：
MINIMUM_PROBABILITY = 0.2
MINIMUM_SUPPORT = 0.01
我們部署該模型，然後運作，我們來檢視結果。
結果分析
部署完程式之後，我們通過“挖掘模型檢視器”進行檢視分析，不廢話，我們直接看圖：
從上面的截圖中我們可以看到，Microsoft關聯規則算法有三個面闆來展示結果：規則、項集、依賴關系網絡
下面我們分别來介紹這三個面闆，第一個，規則：
上面有幾個條件篩選項，第一個就是設定最小機率值，也就是上面我們建立模型設定的參數，第二個是是篩選規則，通過它我們找到相應的産品友善我們檢視，還有一個重要性的參數，同樣的對于下面結果中的第二列可能性列，最大行數設定顯示的行數。
下面結果的表格中，第一列機率的值就是産品之前會産生關聯的機率，按照機率從大到小排序，第二列為可能性，該度量規則的有用性。該值越大則意味着規則越有用，設定該規則的目的是避免隻使用機率可能發生誤導，比如有時候超市裡舉行促銷活動會每個人都免費給一間物品，如果僅僅根據機率去推測，這件物品的機率将是1，但是這個規則是不準确的，因為它沒有和其它商品發生任何關聯，也就是說該值是無意義的，是以才出現了“重要性”列。
第三列即為我們的挖掘出來的結果項，前面為已有的産品項，‘—>’後面的即為推測的産品項，我們舉個例子，比如：
經過排序可以看到，上圖中的該條規則項為關聯規則最強的一種組合：前面的為：山地自行車（Mountain-200）、山地自行車内胎（Mountain Tire Tube）然後關聯關系最強的為：自行車輪胎(HL Mountain Tire)
嗯，有道理的很呀，有了山地自行車了，然後同樣也具備山地自行車内胎，剩下的就是需要自行車輪胎了。
其它的也是同樣的分析方法，這裡我們就不分析了，有興趣的可以自己分析，嘿..我看到上面的第三條：
自行車（Road-750）、水壺（Water Bottle）->自行車水壺框（Road Bottle Cage）
....自行車、水壺，肯定得買個自行車水壺框了......
這個水壺好有個性，下面我們來具體看看跟這個利器有關的商品有哪些....嘿嘿...我們來看圖：
我那個去....瞅瞅...第一個結果：水壺框（Road Bottle Cage、Mountain Bottle Cage）...下面我目測了下...我可以明确的告訴你，丫的..這個名字叫Water Bottle(水壺...嘿嘿原諒我的E文能力)的利器最相關的就是水壺框（Bottle Cage）了...
超市裡東西怎麼擺放？ 網站上該産品的相關推薦該推薦神馬？ 有一個顧客已經買了這個東西你推薦它啥懂了吧？......
下面我們來看第二個面闆能告訴我們什麼，我們打開“項集”面闆：
這個面闆也簡單的很，上面有幾個篩選框設定我們的最低支援數，最小的項集大小，最大行數，這個沒啥說的，很簡單，下面的結果集顯示的為我們的資料集合中“支援”的事例集合個數、然後“大小”就是該規則下裡面的項集的個數，第三列就是項集的詳細了。
我去...上面我們分析的水壺（Water Bottle）竟然排在了第一行，該行中的項集明細為：山地自行車（Mountain-200）、水壺（Water Bottle）、自行車水壺框（Road Bottle Cage），第二行也有，看來這厮看來很有分析價值，我們後續接着分析，嘿嘿
我們進入第三個面闆“依賴關系網絡”，我們來看：
這幅圖已經很熟悉了吧，前幾篇文章中均有介紹，分析各種産品之間的關聯關系的強弱，拖動右側的滑動條然後進行分析
嘿嘿...我小心翼翼的拖動了這個滑動條...試圖找找上面我們分析的哪款利器（Water Bottle）:
嘿嘿...找到了，上圖中就标示了這玩意相關的商品，我們來看Mountain Bottle Cage、Road Bottle Cage這兩個都是雙向關聯，然後Road-750、Cycling Cap、Hydration Pack...
其它的商品也利用這種規則進行分析，有興趣的可以自己分析。
推測結果導出
我們到此步驟直接将該模型的分析結果進行預測，暫且不驗證其準确性，直接将結果導出，來看看該算法的應用項，我們進入“挖掘模型預測”：
在下面的網格中設定我們的挖掘篩選規則，點選“源”，選擇“預測函數”，選擇PredictAssociation,将vAssocSeqLineItems，将其拖到網格中 PredictAssociation 函數的“條件/參數”框。然後設定該參數為[Association].[v Assoc Seq Line Items],3
我們點選運作，直接來檢視結果：
看，上面的Microsoft關聯規則算法給我們推薦出來關聯性最強的三種産品，分别為：Sport-100、Water Bottle、Patch kit...
當然有時候我需要隻檢視某一種商品，不關系其它的産品有什麼關聯關系，我們來做單獨查詢，我們在菜單中的“挖掘模型”，然後選擇“單獨查詢”：
點選開單獨篩選的條件框：
在“嵌套表輸入”對話框中，選擇“鍵列”窗格中的 Touring Tire
我們點選運作，來檢視結果：
可以看到這裡我們隻是篩選出了該商品的關聯關系結果集，當然這裡我們可以顯示出該産品之間的關聯的關系值，這裡我們直接寫語句：
點選運作，我們來看結果：
這裡我們能看到，商品、支援的事例數，可能行、機率等明細值。
對于Microsoft關聯規則算法還有一種更有趣的應用就是，根據現有的顧客已經買的的産品，然後利用它自己的挖掘模型進行推測，推測出這個顧客将下一個買什麼産品，比如上面的例子中，如果某個顧客已經買了山地自行車、自行車内胎，那麼利用該模型它會自動推測出該顧客下一步将會買自行車輪胎，這個用法其實很關鍵，通過該方法預測已經能推測出顧客下一步的購買意向！...
如果将該挖掘模型利用到電子商務網站...那麼他們推薦的商品将更準确，同樣所得到的精準銷售也更到位...結果你懂的！
我們來看步驟：
我們來選擇應用的事例表：
我們來選擇兩者的關聯關系，可以右鍵直接編輯：
然後編輯篩選函數，直接看圖：
點選檢視結果：
可以看到，這個顧客編号為：18239的他将買優先買三個産品：Water Bottle、Road-750、Touring-1000，後面還列出他的機率和可能性...
嘿嘿..我們打開資料庫來看看這個顧客的情況：
.....嘿嘿...這個顧客已經買了兩個商品了，Road-250、Road Bottle Cage,根據上面的推算法則...這個顧客應該馬上急需要買一個叫做Water Bottle的神器...用來喝水
然後，我們将這個結果儲存到資料庫..一段簡單的代碼就能搞出那些顧客急需要什麼商品...
他們最可能買的商品有哪些....，剩下的工作你懂得！
結語
本篇文章到此結束了...結語就是我們後面還會繼續分析其它的算法，有興趣的童鞋可以提前關注。上面其實還有幾部分需要補充，就是準确性驗證和篩選條件挖掘，比如我想知道某些特定客戶群體他們的購買的産品關聯規則等等吧，後續文章繼續分析這些問題。
文章的最後我們給出前幾篇算法的文章連接配接：
<a href="http://www.cnblogs.com/zhijianliutang/p/4000988.html" target="_blank">Microsoft決策樹分析算法總結</a>
<a href="http://www.cnblogs.com/zhijianliutang/p/4009829.html" target="_blank">Microsoft聚類分析算法總結</a>
<a href="http://www.cnblogs.com/zhijianliutang/p/4012108.html" target="_blank">Microsoft Naive Bayes 分析算法</a>
<a href="http://www.cnblogs.com/zhijianliutang/p/4016309.html" target="_blank">Microsoft算法結果預測篇</a>
<a href="http://www.cnblogs.com/zhijianliutang/p/4021799.html" target="_blank">Microsoft時序算法總結</a>
<a href="http://www.cnblogs.com/zhijianliutang/p/4027175.html" target="_blank">Microsoft 時序算法——結果預算+下期彩票預測篇</a>
如果您看了本篇部落格,覺得對您有所收獲，請不要吝啬您的“推薦”。