14、关联规则预测挖掘：原理、算法与实验分析

关联规则预测挖掘：原理、算法与实验分析

1. 关联规则基础概念

关联规则可以逻辑地表示为条件模式。在条件模式中，DC（决定条件）代表规则的前件，SC（支持条件）代表规则的后件。模式的概率表示规则的置信度，规则前件、后件和规则本身的支持度等于相应基本模式的概率。例如，对于规则 A ⇒ B，置信度为 c，支持度为 s，对应的条件模式是 [B|A] = c，且 sup(A) = [A]，sup(B) = [B]，s = sup(AB) = [AB]。

这里引入几个重要定义：
- MaxPUF 模式和有效 DC ：设 cmin 是用户定义的最小置信度阈值。如果模式 [B|A] = r 且 r ≥ cmin，并且不存在形式为 [B|A′] = r′ 的模式使得 r′ ≥ cmin 且 A′ ⊂ A，那么 [B|A] = r 是 B 的 MaxPUF 模式，A 称为 B 的有效 DC。MaxPUF 规则最大程度避免了过度限制的条件，更适用于预测，我们要求预测规则具备 MaxPUF 属性。
- 高置信度稳定规则（HCSR） ：设 ti 是一个时间划分，且 $\sum_{i=1}^{n} t_i = t$，confx(R) 是规则 R 在时间划分 x 中的置信度，cmin 是用户定义的最小阈值。如果 conft(R) ≥ cmin 且 confti(R) ≥ cmin 对于 1 ≤ i ≤ n 成立，那么规则 R 是高置信度稳定规则。
- 部分高置信度稳定规则（PHCSR） ：规则 R 是 PHCSR 当且仅当 $\frac{|{i|conf_{t_i}(R) \geq c