![cover image](https://wikiwandv2-19431.kxcdn.com/_next/image?url=https://upload.wikimedia.org/wikipedia/commons/thumb/0/00/Multi-Layer_Neural_Network-Vector-Blank.svg/langzh-hans-640px-Multi-Layer_Neural_Network-Vector-Blank.svg.png&w=640&q=50)
关联规则学习
维基百科,自由的 encyclopedia
关联规则学习(英语:Association rule learning)是一种在大型数据库中发现变量之间的有趣性关系的方法。它的目的是利用一些有趣性的量度来识别数据库中发现的强规则。[1] 基于强规则的概念,Rakesh Agrawal等人[2]引入了关联规则以发现由超市的POS系统记录的大批交易数据中产品之间的规律性。例如,从销售数据中发现的规则 {洋葱, 马铃薯}→{汉堡} 会表明如果顾客一起买洋葱和马铃薯,他们也有可能买汉堡的肉。此类信息可以作为做出促销定价或产品植入等营销活动决定的根据。除了上面购物篮分析(英语:market basket analysis)中的例子以外, 关联规则如今还被用在许多应用领域中,包括网络用法探勘(英语:Web usage mining)、入侵检测、连续生产(英语:Continuous production)及生物信息学中。与序列探勘(英语:sequence mining)相比,关联规则学习通常不考虑在事务中、或事务间的项目的顺序。