《【最新】R语言关联分析模型报告案例-附代码数据》由会员分享，可在线阅读，更多相关《【最新】R语言关联分析模型报告案例-附代码数据（12页珍藏版）》请在金锄头文库上搜索。
1、=精选公文范文，管理类，工作总结类，工作计划类文档，欢迎阅读下载=【最新】R语言关联分析模型报告案例 附代码数据【原创】附代码数据 有问题到淘宝找“大数据部落”就可以了 关联分析 目录 一、概括. 1 二、数据清洗 . 1 公立学费 . 1 毕业率 . 1 贷款率 . 2 偿还率 . 2 毕业薪水。 . 3 私立学费 . 3 入学率 . 4 三、Apriori算法 . 4 相关概念. 5 算法流程. 6 优缺点. 7 四、模型建立及结果 . 8 公立模型. 8 私立模型. 11 I 【原创】附代码数据 有问题到淘宝找“大数据部落”就可以了 一、 概括 对7703条样本数据，分别根据公立学费和私
2、立学费差异，建立公立模型和私立模型，进行关联分析。 二、 数据清洗 公立学费 此字段，存在4个负值，与实际情况不符，故将此四个值重新定义为NULL。重新定义后，NULL值的占比为75%，占比很大，不能直接将NULL值删除或者进行插补，故将NULL单独作为一个取值分组。 对非NULL的值按照等比原则进行分组，分组结果如下： A：0,5896 B：(5896,7754 C：(7754, 9975 D：(9975, 13819 E：(13819, + 分组后取值分布为： A 382 B 381 C 381 D 381 E 382 NULL 5796 毕业率 将PrivacySuppressed值重新
3、定义为NULL，重新定义后，NULL值的占比为20%，占比较大，不适合直接删除或进行插补，故将NULL单独作为一个取值分组。 对非NULL值根据等比原则进行分组，分组结果如下： 5 【原创】附代码数据 有问题到淘宝找“大数据部落”就可以了 A：0, B：(, C：(, D：(, E：(, + 分组后取值分布为： A 1255 B 1237 C 1190 D 1286 E 1219 NULL 1516 贷款率 将PrivacySuppressed值重新定义为NULL，重新定义后，NULL值的占比为20%，占比较大，不适合直接删除或进行插补，故将NULL单独作为一个取值分组。 对非NULL的值按照
4、等比原则进行分组，分组结果如下： A：0,9500 B：(9500,12000 C：(12000,19197 D：(19197, 25537 E：(25537, + 分组后取值分布为： A 1702 B 847 C 1127 D 1225 E 1225 NULL 1577 偿还率 将PrivacySuppressed值重新定义为NULL，重新定义后，NULL值的占比为20%，占比较大，不适合直接删除或进行插补，故将NULL单独作为一个取值分组。 对非NULL的值按照等比原则进行分组，分组结果如下： 5 【原创】附代码数据 有问题到淘宝找“大数据部落”就可以了 A：0,9500 B：(9500,
5、12000 C：(12000,19197 D：(19197, 25537 E：(25537, + 分组后取值分布为： A 1702 B 847 C 1127 D 1225 E 1225 NULL 1577 毕业薪水。 将PrivacySuppressed值重新定义为NULL，重新定义后，NULL值的占比为19%，占比较大，不适合直接删除或进行插补，故将NULL单独作为一个取值分组。 对非NULL的值按照等比原则进行分组，分组结果如下： A：0, B：(, C：(, D：(, E：(, + 分组后取值分布为： A 1255 B 1278 C 1240 D 1207 E 1248 NULL 147
6、5 私立学费 此字段，存在1个负值，与实际情况不符，故将此值重新定义为NULL。重新定义后，NULL值的占比为40%，占比很大，不能直接将NULL值删除或者进行插补，故将NULL单独作为一个取值分组。 5 【原创】附代码数据 有问题到淘宝找“大数据部落”就可以了 对非NULL的值按照等比原则进行分组，分组结果如下： A：0,12111 B：(12111,16409 C：(16409, 19805 D：(19805, 23780 E：(23780, + 分组后取值分布为： A 938 B 937 C 937 D 937 E 938 NULL 3016 入学率 数据中，NULL值的占比为69%，占
7、比很大，不能直接将NULL值删除或者进行插补，故将NULL单独作为一个取值分组。 对非NULL的值按照等比原则进行分组，分组结果如下： A：0, B：(, C：(, D：(, E：(, + 分组后取值分布为： A 466 B 507 C 484 D 325 E 620 NULL 5301 三、 Apriori算法 Apriori algorithm是关联规则里一项基本算法。其核心思想是通过候选集生5 【原创】附代码数据 有问题到淘宝找“大数据部落”就可以了 成和情节的向下封闭检测两个阶段来挖掘频繁项集，是Rakesh Agrawal和Ramakrishnan Srikant两位博士在1994年
8、提出的关联规则挖掘算法。关联规则的目的就是在一个数据集中找出项与项之间的关系，也被称为购物蓝分析 (Market Basket analysis)，“购物蓝分析”很贴切的表达了适用该算法情景中的一个子集。关于这个算法有一个非常有名的故事：尿布和啤酒。故事是这样的：美国的妇女们经常会嘱咐她们的丈夫下班后为孩子买尿布，而丈夫在买完尿布后又要顺 手买回自己爱喝的啤酒，因此啤酒和尿布在一起被购买的机会很多。这个举措使尿布和啤酒的销量双双增加，并一直为众商家所津津乐道。 相关概念 用R语言进行关联分析，涉及到的相关概念如下： 资料库：存储着二维结构的记录集。定义为：D。 所有项集：所有项目的集合。定义为
9、：I。 记录 ：在资料库里的一笔记录。定义为：T，T D。 项集：同时出现的项的集合。定义为：k-itemset，k均表示项数。 支持度：定义为 supp(X) = occur(X) / count(D) = P(X)。P(A B)表示既有A又有B的概率。支持度是指在所有项集中X, Y出现的可能性，即项集中同时含有X和Y的概率。该指标作为建立强关联规则的第一个门槛，衡量了所考察关联规则在“量”上的多少。例如购物篮分析：牛奶?面包，支持度3%：意味着3%顾客同时购买牛奶和面包。 置信度：定义为 conf(X-Y) = supp(X Y) / supp(X) = P(Y|X)。 P(B|A)，在A发生的事件中同时发生B的概率 p(AB)/P(A)。置信度表示在先决条件X发生的条件下，关联结果Y发生的概率。这是生成强关联规则的第二个门槛，衡量了所考察的关联规则在“质”上的可靠性。例如购物篮分析：牛奶?面包，置信度40%：意味着购买牛奶的顾客40%也购买面包。 候选集：通过向下合并得出的项集。定义为Ck。 频繁k项集：如果事件A中包含k个元素，那么称这个事件A为k项集事件5 【原创】附代码数据 有问题到淘宝找“大数据部落”就可以了 A满足最小支持度阈值的事件称为频繁k项集。即支持度大于等于特定的最小支持度
