实验目的
进一步理解关联规则算法（Apriori算法、FP-tree算法），利用weka实现数据集的挖掘处理，学会调整模型参数，读懂挖掘规则，解释规则的含义
实验要求
（1）随机选取数据集为对象，完成以下内容：（用两种方法：Apriori算法、FP-tree算法）
- 文件导入与编辑；
- 参数设置说明；
- 结果截图；
- 结果分析与对比。
（2）以下表，做关联规则挖掘
| TID | Items |
|---|---|
| T1 | {牛奶，面包} |
| T2 | {面包，尿布，啤酒，鸡蛋} |
| T3 | {牛奶，尿布，啤酒，可乐} |
| T4 | {面包，牛奶，尿布，啤酒} |
| T5 | {面包，牛奶，尿布，可乐} |
| T6 | {牛奶，尿布，啤酒} |
| T7 | {尿布，啤酒} |
| T8 | {面包，牛奶，尿布} |
- 文件生成与编辑；
- 参数设置说明；
- 结果截图；
- 结果分析。
supermarket数据实验过程
1. 文件导入与编辑
用“Explorer”打开“supermarket.arff”，如图1.1所示，打开的数据为离散型数据，可直接进行关联规则分析，切换到“Associate”选项卡进行分析。
2. 参数设置说明
2.1 参数说明
- car：如果设为真，则会挖掘类关联规则而不是全局关联规则。
- classindex：类属性索引。如果设置为-1，最后的属性被当作类属性。
- Delta：以此数值为迭代递减单位。不断减小支持度直至达到最小支持度或产生了满足数量要求的规则。
- lowerBounfMinSupport：最小支持度下界
- merticType：度量类型，设置对规则进行排序的度量依据。可以是：置信度（类关联规则只能用置信度挖掘），提升度（lift），平衡度（leverage），确信度（conviction）。
- MinMtric：度量的最小值
- numRules：要发现的规则数
- outputItemSets： 如果设置为真，会在结果中输出项集。
- removeAllMissingCols： 移除全部为缺失值的列。
- significanceLevel ：重要程度。重要性测试（仅用于置信度）。
- upperBoundMinSupport： 最小支持度上界。 从这个值开始迭代减小最小支持度。
- verbose： 如果设置为真，则算法会以冗余模式运行。
2.2 参数设置
挖掘支持度在10%到100%之间，并且置信度超过0.9且置信度排在前10位的关联规则。
- “lowerBoundMinSupport”和“upperBoundMinSupport”分别设为0.1和1
- “metricType”设为confidence
- “minMetric”设为0.9
- “numRules”设为10
Apriori方法参数设置如下图2.2.1所示。
FP-tree方法参数设置如下图2.2.2所示。
3. 结果截图
参数设定完成后单击start按钮，weka开始进行关联规则分析，Apriori算法结果如图3.1所示，FP-tree算法结果如图3.2所示。
将Apriori方法中参数outputItemSets设置为TRUE，部分运行结果如图3.3所示。
4. 结果分析
从图3.1，3.2中看出，挖掘出的前十条强关联规则中最大的置信度为0.92，其中一条是：biscuits=t frozen foods=t fruit=t total=high ==> bread and cake=t，图3.1显示一、二、三、四、五、六级频繁项目集在最小支持度为0.1的情况下分别有44，380，910，633，105，1个。
观察图3.3可以看到，相比较于图3.1，结果图中展示出了各级频繁项目集的详细信息。观察图3.1和3.2两种挖掘算法的结果图，可以看出两个算法在数据集以及设置参数一样的情况下，挖掘出的关联规则是相同的。
在运行过程中可以观察到在用Apriori算法挖掘关联规则时，程序右下方的小鸟动了3-4次，而FP-Tree算法挖掘时，小鸟只动了1次。小鸟动的次数直观的体现出程序的运行时间，由此可见在用Apriori做关联规则挖掘时要比FP-Tree算法多耗费2-3倍的时间。但又由图3.1，图3.3可以看出，Apriori挖掘出的结果信息可根据需求得到更详细的信息。
表格数据实验过程
1. 文件生成与编辑
将已给数据集进行处理，如图1.1所示，并将该数据集写入到csv文件中。
看到数据集的文字部分是乱码的。打开weka安装目录，找到RunWeka.ini配置文件，找到fileEncoding=Cp1252，改成fileEncoding=Cp936（图1.3），点击保存关闭，再重新打开weka即可。
重新打开weka，并导入数据，如图1.4所示，可看到中文显示正常。
2. 参数设置说明
设置最小支持度下界为0.4，最小置信度为0.6，挖掘规则数为10。
Apriori方法参数设置如图2.1所示。
FP-tree方法参数设置如图2.2所示。
3. 结果截图
参数设定完成后单击start按钮，weka开始进行关联规则分析，Apriori算法结果如图3.1所示，FP-tree算法结果如图3.2所示。
文章来源：https://www.toymoban.com/news/detail-434068.html
4. 结果分析
观察图3.1，可以看到用Apriori算法挖掘出一、二、三级频繁项目集分别为4，5，2个，没有生成四级频繁项目集。挖掘出两条置信度最大为1的强关联规则，分别为：啤酒 -> 尿布；牛奶，啤酒 -> 尿布。
观察图3.2，可以看到用FP-tree算法挖掘出7条强关联规则，其中有一条置信度最大为1的强关联规则为：啤酒 -> 尿布。文章来源地址https://www.toymoban.com/news/detail-434068.html
到了这里，关于《数据挖掘基础》实验：Weka平台实现关联规则挖掘的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
