关联规则

本文为您总结一下常见的机器学习算法，以供您在工作和学习中参考。

数据挖掘（Data mining）一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性的信息和知识的过程。简单地说就是，在大型数据库中，自动发现有用信息的过程，加以分析。

电商行业中，对于用户的商品推荐一直是一个非常热门而且重要的话题，有很多比较成熟的方法，但是也各有利弊。

什么是多表关联呢？

关联规则分析中的关键概念包括：支持度(Support)、置信度(Confidence)与提升度(Lift)。

关联规则用来发现数据间潜在的关联，最典型的应用是电商网站的购物车分析。本文将通过一个简单的例子来说明关联规则中各个术语的含义以及具体的计算方法。

购物篮指的是超级市场内供顾客购物时使用的装商品的篮子，当顾客付款时这些购物篮内的商品被营业人员通过收款机一一登记结算并记录。

作为产品推荐中最常用的算法之一，你对关联规则知道多少呢？本文从概念和基本指标说起，向你介绍一些指标应用的方法。

本文将带你遍历机器学习领域最受欢迎的算法。系统地了解这些算法有助于进一步掌握机器学习。当然，本文收录的算法并不完全，分类的方式也不唯一。不过，看完这篇文章后，下次再有算法提起，你想不起它长处和用处的可能性就很低了。本文还附有两张算法思维导图供学习使用。

数据挖掘，有哪些可以挖掘的知识类型？

早早起来，磨刀烧水，“做掉”了这个扰民的始作俑者，联想起大数据中的关联和课题组前三个月前发表的关于因果挖掘的论文（计算机学报2014.12，文后可下载），写了这篇博文，借此科普一下因果与关联，写得比较匆忙，不当之处请博友们指正。

本文先通俗地介绍快速挖掘关联规则的Apriori算法，然后介绍发表这一算法的论文(它被引用了11480+次），最后关注此文的实际影响 与 传统影响因子的差距。

此文从原讲课PPT中，取一些素材，来解释关联规则的挖掘思路和应用方法。

本文借此例来说明数据挖掘中关联规则中支持度、置信度和兴趣度概念，顺便对此事做个定量分析， 同时也作为趣味数据挖掘系列博文的开篇。

精准营销需要解决的问题是：哪些用户是某个产品或者营销活动的目标用户?或者是每个用户最适合推荐什么产品?前者是找目标用户，后者是为用户推荐产品，两者是类似的。