使用的建議

Question

先驗算法所以一個recent question，我注意到相當清涼apriori algorithm的。我可以看到它爲什麼起作用，但我不確定的是實際用途。據推測，計算相關物品組的主要原因是能夠根據他們自己的購買（或擁有物品等）爲某人提供推薦。但是，你如何從一組相關的項目到個人建議？

維基百科的文章完成：

第二個問題是產生自那些大型 項集與 最小的信心約束 關聯規則。假設其中一個大項目集是Lk，Lk = {I1，I2，...， ，Ik}，則按照以下方式在 中生成與此 項目集的關聯規則：第一個規則是{I1, I2，...，Ik -1} {⇒益}，通過檢查 信心，這個規則可以被確定 有趣與否。然後其他規則 被刪除最後 項目的前提和插入 它隨之產生，進一步的新規則 置信度 檢查，以確定 興趣他們。這些 過程重複直到 前因變空

我不知道的關聯規則組如何幫助確定建議的最佳設置要麼，雖然。也許我錯過了這個觀點，並且apriori不適合這種用途？在這種情況下，是它的用途是什麼？

Answer 1

所以apriori算法不再是現有技術的市場購物籃分析（又名Association Rule Mining）。雖然Apriori原理（即子集的支持上限支持該集合）仍然是一種推動力，但這些技術已經得到改進。

在任何情況下，雙向關聯規則是用來生成建議是，給予一定的歷史項集，我們可以檢查每個規則的antecedant以查看是否包含在歷史。如果是這樣，那麼我們可以推薦該規則的結果（排除當然已經包含在歷史中的情況）。

我們可以用不同的指標來排名我們的建議，因爲有規則的大量比較它們的歷史時，我們可以有很多的點擊，我們只能做建議的數量有限。一些有用的度量標準是支持的規則（這與支持先前者和後繼者的聯合相同），置信度的規則（規則支持先前者的支持）和規則（該規則在支撐antecedant和隨之而來的產品的支持），以及其他的電梯。

Answer 2

如果您想了解先驗如何用於分類你不需經過看報紙關於CBA算法的一些細節：

劉兵，許懷恩，亦名馬「集成分類和關聯規則挖掘。「第四屆知識發現和數據挖掘國際會議論文集（KDD-98，全體會議演講），紐約，美國，1998年