关联规则挖掘：使用 arules 和 arulesViz 包分析“breast”数据集

本教程将指导您如何使用 arules 和 arulesViz 包在 R 中对“breast”数据集进行关联规则挖掘。

步骤 1：安装和加载必要的包

首先，将 arules 和 arulesViz 包的安装文件（zip 文件）放置在适当的路径下，然后使用以下代码进行安装：

install.packages('path_to_arules_1.6-8.zip', repos = NULL, type = 'win.binary')
install.packages('path_to_arulesViz_1.5-0.zip', repos = NULL, type = 'win.binary')

请将 path_to_arules_1.6-8.zip 和 path_to_arulesViz_1.5-0.zip 替换为实际 zip 文件的路径。

加载 arules 和 arulesViz 包。在 R 中运行以下代码：

library(arules)
library(arulesViz)

步骤 2：加载和探索数据集

使用 read.transactions() 函数读取名为“breast”的数据集，并将其赋值给变量 trans。在 R 中运行以下代码：

trans <- read.transactions('breast')

使用 summary() 函数查看数据集的摘要信息。在 R 中运行以下代码：

summary(trans)

步骤 3：计算项集频繁度

计算数据集的篮子大小（basketsize）。在 R 中运行以下代码：

basketsize <- size(trans)

使用 itemFrequency() 函数计算数据集中每个项集的频繁度。在 R 中运行以下代码：

itemFreq <- sort(itemFrequency(trans), decreasing = TRUE)

使用 itemFrequencyPlot() 函数绘制数据集中项集的频繁度图。在 R 中运行以下代码绘制所有项集的频繁度图：

itemFrequencyPlot(trans, support = 0.1)

使用 itemFrequencyPlot() 函数绘制前 10 个频繁项集的频繁度图。在 R 中运行以下代码：

itemFrequencyPlot(trans, topN = 10, horiz = TRUE)

步骤 4：构建关联规则

使用筛选条件 trans_use <- trans[basketsize > 1]，将篮子大小大于 1 的数据集赋值给 trans_use。在 R 中运行以下代码：

trans_use <- trans[basketsize > 1]

使用 apriori() 函数构建关联规则。设置支持度（support）为 0.2，置信度（confidence）为 0.7，最小项集长度（minlen）为 2。在 R 中运行以下代码：

trans_rule <- apriori(trans_use, parameter = list(support = 0.2, confidence = 0.7, minlen = 2))

步骤 5：分析关联规则

使用 summary() 函数查看生成的关联规则的摘要信息。在 R 中运行以下代码：

summary(trans_rule)

使用 subset() 函数筛选出含有特定项集（items）并且提升度（lift）大于 1.2 的规则。在 R 中运行以下代码：

crules <- subset(trans_rule, items %pin% c('co') & lift > 1.2)

使用 summary() 函数查看筛选后的关联规则的摘要信息。在 R 中运行以下代码：

summary(crules)

使用 inspect() 函数查看筛选后的关联规则的详细信息。查看前 15 条规则。在 R 中运行以下代码：

inspect(crules[1:15])

步骤 6：可视化关联规则

使用 plot() 函数绘制关联规则的图形。以置信度（confidence）为横轴，提升度（lift）为纵轴进行绘制。在 R 中运行以下代码：

plot(crules, measure = 'confidence', method = 'graph', shading = 'lift')

请确保已将名为“breast”的数据集放置在正确的工作目录中，并根据需要对代码进行适当的修改。希望对您有所帮助！

关联规则挖掘：使用 arules 和 arulesViz 包分析“breast”数据集