資料結構
網路
關係資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理
化學
生物
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究關聯規則有哪些應用？
關聯規則學習是一種無監督學習方法，它測試一個數據元素對另一個數據元素的依賴性，並進行適當的建立以使其更有效。它試圖發現數據集變數之間的一些有趣關係或關聯。它依賴於幾個規則來發現資料庫中變數之間的有趣關係。
關聯規則學習是機器學習的重要技術，它被應用於市場籃子分析、Web 使用挖掘、持續生產等領域。在市場籃子分析中，它被許多大型零售商用來發現商品之間的關係。
關聯規則最初是從銷售點資料中轉換而來，這些資料表示哪些產品一起購買。儘管它的根源在於關聯銷售點交易，但關聯規則可以用於零售市場之外，以發現“籃子”型別的關係。
關聯規則有各種應用，如下所示：
信用卡上購買的商品，例如租車和酒店房間，可以幫助洞察客戶可能購買的後續產品。
電信使用者購買的可選服務（呼叫等待、來電轉接、DSL、快速呼叫等）有助於確定如何捆綁這些功能以最大化收入。
零售使用者使用的銀行服務（貨幣市場賬戶、CD、投資服務、汽車貸款等）可以識別可能需要其他服務的客戶。
不尋常的保險索賠組合可能是欺詐的體現，可以引發更深入的調查。
醫療患者病史可以幫助根據特定的一組治療方法表達可能的併發症。
關聯規則未能達到預期。例如，它們不是在諸如零售銀行等市場中生成交叉銷售模型的最佳方法，因為這些規則最終描述了之前的營銷促銷活動。此外，在零售銀行中，使用者通常先開一個支票賬戶，然後開一個儲蓄賬戶。直到使用者擁有更高等級的產品，產品之間的差異才會出現。
在 Apriori 演算法中，該演算法需要頻繁資料集來建立關聯規則。它被建立用於處理包含交易的資料庫。該演算法需要廣度優先搜尋和雜湊樹來有效地計算項集。
它通常用於市場籃子分析，並有助於瞭解可以一起購買的產品。它也用於醫療保健領域，以發現患者的藥物反應。
在 Eclat 演算法中，它表示等價類轉換。該演算法需要深度優先搜尋方法來發現事務資料庫中的頻繁項集。它比 Apriori 演算法實現了更快的實現。
8K+ 瀏覽量
