如何在 Apriori 算法中找到关联规则的置信度
How to find Confidence of association rule in Apriori algorithm
我正在使用 Apriori 算法在已识别的频繁项集上识别 customer.Based 的频繁项集我想在客户向他的购物添加新项目时提示向客户推荐项目list.Assume 我确定的频繁集是 [2,3,5]。我的问题是；
如果用户已经添加了项目 2 和项目 5，我想检查建议项目 3 的规则的置信度。为此；
置信度 = 支持 (2,3,5)/ 支持 (3) ?
或
置信度 = 支持 (2,3,5)/ 支持 (2,5)?
哪个方程是正确的？请帮忙！！
如果关联规则是 (2,5) -> (3)，那么 X = (2,5) 和 Y = (3)。关联规则的置信度是 (X U Y) 的支持除以 X 的支持。因此，在这种情况下，关联规则的置信度是 (2,5,3) 的支持除以 (2, 5,3) 的支持， 5).
你的前因是什么？
Stop.treating 等式是你需要查找的黑盒子。 了解 否则你会失败。
假设A^B -> C那么
Confidence = support(A^B->C)
即所有三个项目都存在的交易数量/支持（A，B）
即A 和 B 同时存在的一些交易。
所以答案是confidence= support(2,5,3)/support (2,5)
如果你只想要答案而不需要任何解释：
confidence = support of (2,3,5)/ support (2,5) in your question is the answer.
我正在使用 Apriori 算法在已识别的频繁项集上识别 customer.Based 的频繁项集我想在客户向他的购物添加新项目时提示向客户推荐项目list.Assume 我确定的频繁集是 [2,3,5]。我的问题是；
如果用户已经添加了项目 2 和项目 5，我想检查建议项目 3 的规则的置信度。为此；
置信度 = 支持 (2,3,5)/ 支持 (3) ?
或
置信度 = 支持 (2,3,5)/ 支持 (2,5)?
哪个方程是正确的？请帮忙！！
如果关联规则是 (2,5) -> (3)，那么 X = (2,5) 和 Y = (3)。关联规则的置信度是 (X U Y) 的支持除以 X 的支持。因此，在这种情况下，关联规则的置信度是 (2,5,3) 的支持除以 (2, 5,3) 的支持， 5).
你的前因是什么？
Stop.treating 等式是你需要查找的黑盒子。 了解 否则你会失败。
假设A^B -> C那么
Confidence = support(A^B->C)
即所有三个项目都存在的交易数量/支持（A，B）
即A 和 B 同时存在的一些交易。
所以答案是confidence= support(2,5,3)/support (2,5)
如果你只想要答案而不需要任何解释： confidence = support of (2,3,5)/ support (2,5) in your question is the answer.