Professional Documents
Culture Documents
por
Claudia Jiménez R
Semestre 1 - 2012
1
Áreas de Aplicación
Investigación
g de mercados
Finanzas
Biología
Detección de fraude
Medicina
S
Sociología
S la
Sea ió Tj = {I1, I2,..Ik}
l transacción
Transacción o venta 1
4
Definiciones básicas en el análisis
Transacción: (TID,
(TID itemset)
Donde TID es el identificador de la transacción.
5
REGLA DE ASOCIACIÓN
Ejemplos:
Dado el conjunto
j de ítems {{A,, B,, E}.
} ¿Cuáles
¿ son las posibles
p
reglas de asociación ?
Si A Æ B, E
Si A, B Æ E
Si A, E Æ B
Si B Æ A,
A E
Si B, E Æ A
Si E Æ A,, B
S
7
RESTRICCIONES EN LAS REGLAS DE ASOCIACIÓN
8
SOPORTE Y CONFIANZA DE UNA REGLA
Nota: Las reglas de asociación que cumplen con un mínimo soporte (minsup)
y una confianza dada (minconf) son llamadas reglas “interesantes”.
9
REGLAS DE ASOCIACIÓN: EJEMPLO 1
Nú
Número de
d ttransacciones
i o ventas
t = 10
10
REGLAS DE ASOCIACIÓN: EJEMPLO 1
Soporte:
sop
p ((manzanas)=
) 4 / 10 = 0.4
sop (zanahoria) = 3 / 10 = 0.3
sop (dulces) = 6 / 10 = 0.6
sop (manzana ∩ dulces) = 3 / 10 = 0.3
sop (manzana ∩ papa) = 2 / 10 = 0.2
Confianza:
conf (manzana Æ dulces) =
sop (manzana ∩ dulces) / sop (manzanas)= 0.3 / 0.4
conf (manzana Æ dulces) = 0.75
conf (manzana Æ papa) = ?
conf (manzana Æ tomate) = ? 11
ALGORITMO APRIORI
PASO 1:
13
ALGORITMO APRIORI
PASO 2:
14
Algoritmo Apriori : Ejemplo con minsup = 2
D temp1 L1
TID productos Ítemset
{1}
soporte
2
Ítemset
{{1}}
soporte
2
100 1 3 4 {2} 3 {2} 3
{3} 3
200 2 3 5 {3} 3
{4} 1
300 1 2 3 5 {5} 3
{5} 3
400 2 5
Explorar
temp22
L2 ítemset soporte
ítemset soporte {1 2}
{1 2} 1
{1 3} 2 {1 3} 2
{2 3} 2 {1 5} 1
{2 3} 2 Explorar
{{2 5}} 3 otra vez a
{3 5} 2 {2 5} 3
D
{3 5} 2
itemset soporte L3
temp3 {135} 1 itemset soporte
{2 3 5} 2
{2 3 5} 2
Usando el algoritmo
g a priori
p de WEKA
16
USANDO WEKA : Ejemplo datos Golf
minsup
Medida para
evaluar las reglas
minconf
número máximo
de reglas a
mostrar
maxsup
USANDO WEKA : Ejemplo datos golf
18
USANDO WEKA
20
Mejoras
j del Algoritmo
g Apriori
p
21