数据挖掘的其他基本功能介绍一、关联规则挖掘关联规则挖掘是挖掘数据库中和指标（项）之间有趣的关联规则或相关关系。关联规则挖掘具有很多应用领域，如一些讨论者发现，超市交易记录中的关联规则挖掘对超市的经营决策是十分重要的。1、 基本概念设是项组合的记录，D 为项组合的一个集合。如超市的每一购物小票为一个项的组合（一个维数很大的记录），而超市一段时间的购物记录就形成集合 D。我们现在关怀这样一个问题，组合中项的出现之间是否存在一定的规则，如 A 游泳衣，B 太阳镜，，但是得不到足够支持。在规则挖掘中涉与到两个重要的指标：①、支持度支持度，显然，只有支持度较大的规则才是较有价值的规则。②、置信度置信度，显然只有置信度比较高的规则才是比较可靠的规则。因此，只有支持度与置信度均较大的规则才是比较有价值的规则。③、一般地，关联规则可以提供给我们许多有价值的信息，在关联规则挖掘时，往往需要事先指定最小支持度与最小置信度。关联规则挖掘实际上真正体现了数据中的知识发现。假如一个规则满足最小支持度，则称这个规则是一个频繁规则；假如一个规则同时满足最小支持度与最小置信度，则通常称这个规则是一个强规则。关联规则挖掘的通常方法是：首先挖掘出所有的频繁规则，再从得到的频繁规则中挖掘强规则。在少量数据中进行规则挖掘我们可以采纳采纳简单的编程方法，而在大量数据中挖掘关联规则需要使用专门的数据挖掘软件。关联规则挖掘可以使我们得到一些原来我们所不知道的知识。应用的例子：* 日本超市对交易数据库进行关联规则挖掘，发现规则：尿片→啤酒，重新安排啤酒柜台位置，销量上升 75%。* 英国超市的例子：大额消费者与某种乳酪。那么，证券市场上、期货市场上、或者上市公司中存在存在哪些关联规则，这些关联规则究竟说明了什么？关联规则挖掘通常比较适用与记录中的指标取离散值的情况，假如原始数据库中的指标值是取连续的数据，则在关联规则挖掘之前应该进行适当的数据离散化（实际上就是将某个区间的值对应于某个值），数据的离散化是数据挖掘前的重要环节，离散化的过程是否合理将直接影响关联规则的挖掘结果。参考文献 1二、特征化与比较1、特征化是一种描述性数据挖掘，特征化通过数据挖掘的方法提供给定数据汇合的简洁汇总，如银行优质客户的特征，从而发现潜在的优质客户；转向其他银行的优质客户的特征，从而设法留住可能会转向其他银行的优质客户，特征化在银行客户关系管...
