创建关联规则的示例

此示例显示如何在 RETAIL 样本数据集中检测感兴趣且有用的关联规则。

要从所有可能规则的集合中选择感兴趣的规则，可以使用有关各种显著性及兴趣度指标的约束。熟知约束包括支持度和置信度的最小阈值。

以下调用显示如何发现关联规则。

CALL IDAX.ASSOCRULES('model=retail_assoc, intable=retail, tid=tid, item=item, maxlen=6, minsupport=0.01, minconf=0.5');

此调用对 Retail 数据集运行算法，并请求以下规则：

  1. 对 1% 或更多的事务绝对支持的频繁项目集和规则
  2. 置信度为 50% 及更高的规则
  3. 规则的最大项目数 (maxlen) 等于或小于 6

要检查构建模型，可以使用 PRINT_MODEL 存储过程，如以下示例所示：

CALL IDAX.PRINT_MODEL('model=retail_assoc, minlen=3, minconf=0.75, minlift=1.5');

在此示例中，额外的规则选择过滤器将限制呈现的规则数，如下所示：

  1. 规则的最小项目数 (minlen)
  2. 最低置信度 (minconf)
  3. 最小增益 (minlift)

通过应用此限制，对于 RETAIL_ASSOC 模型，呈现的规则数从 95 减少为 7。

通过使用 PRUNE_ASSOCRULES 存储过程应用同一限制，可以将模型精简为这七条规则，如以下示例所示：

CALL IDAX.PRUNE_ASSOCRULES('model=retail_assoc, minlen=3, minconf=0.75, minlift=1.5');

PREDICT_ASSOCRULES 存储过程预测模型的七条规则中哪一条与新事务的关联最佳，如以下示例所示：

CALL IDAX.PREDICT_ASSOCRULES('model=retail_assoc, intable=retail, outtable=retail_assoc_out');