IBM SPSS Modeler是一个数据挖掘软件 ， 其功能涵盖了整个数据挖掘流程 ， 它主要提供三类重要功能来支持整个数据挖掘过程:数据整理、探索性数据分析、建立模型模型检验模型应用 。
3.数据处理SPSS Modeler需要数据格式为csv 。
在刚刚介绍的WEKA软件中可以将txt格式的数据另存为csv格式的数据 。
6 数据挖掘（1） WEKA1.Apriori算法小数据1）默认数值car如果设为真 ， 则会挖掘类关联规则而不是全局关联规则 。
classindex类属性索引 。
如果设置为-1 ， 最后的属性被当做类属性 。
delta以0.05为迭代递减单位 。
不断减小 。

21、支持度直至达到最小支持度或产生了满足数量要求的规则 。
lowerBoundMinSupport最小支持度下界为0.5 。
metricType度量类型 。
设置对规则进行排序的度量依据 。
可以是：置信度（类关联规则只能用置信度挖掘） ， 提升度(lift) ， 杠杆率(leverage) ， 确信度(conviction) 。
在Weka中设置了几个类似置信度(confidence)的度量来衡量规则的关联程度 ， 它们分别是：a)Lift：P(A,B)/(P(A)P(B) Lift=1时表示A和B独立 。
这个数越大(1) ， 越表明A和B存在于一个购物篮中不是偶然现象,有较强的关联度.b)Leverage :P(A,B)-P(A) 。

22、P(B)Leverage=0时A和B独立 ， Leverage越大A和B的关系越密切c)Conviction:P(A)P(!B)/P(A,!B)（!B表示B没有发生）Conviction也是用来衡量A和B的独立性 。
从它和lift的关系（对B取反 ， 代入Lift公式后求倒数）可以看出 ， 这个值越大, A、B越关联 。
minMtric度量的最小值0.9 。
numRules要发现的规则数为10 。
outputItemSets如果设置为真 ， 会在结果中输出项集 。
removeAllMissingCols移除全部为缺省值的列 。
significanceLevel重要程度-0.1 。
重要性测试（仅用于置信度） 。
upperBou 。

23、ndMinSupport最小支持度上界 。
从1.0开始迭代减小最小支持度 。
verbose如果设置为真 ， 则算法会以冗余模式运行 。
2）结果解释scheme -所选的关联规则挖掘方案：Apriori算法算法的参数设置：-I -N 10 -T 0 -C 0.9 -D 0.05 -U 1.0 -M 0.5 -S -1.0 -c -1 ;
各参数依次表示：I -输出项集 ， 若设为false则该值缺省;
N 10 -规则数为10;
T 0 度量单位选为置信度 ， (T1-提升度 ， T2杠杆率 ， T3确信度);
C 0.9 度量的最小值为0.9;
D 0.05 -递减迭代值为0.05;
U 1.0 -最小支持度上界为1.0;
M 0. 。

24、5 -最小支持度下届设为0.5;
S -1.0 -重要程度为-1.0;
c -1 -类索引为-1输出项集设为真(由于car, removeAllMissingCols, verbose都保持为默认值False ， 因此在结果的参数设置为缺省 ， 若设为True ， 则会在结果的参数设置信息中分别表示为A, R,V)Minimum support: 0.5 (470 instances)/最小支持度0.5 ， 即最少需要470个实例Minimum metric : 0.9/最小度量: 0.9Number of cycles performed: 10/进行了10轮搜索Generated sets of large。

25、itemsets:/生成的频繁项集Size of set of large itemsets L(1): 11/频繁1项集：11个剩余结果3）修改数值delta以0.1为迭代递减单位 。
不断减小支持度直至达到最小支持度或产生了满足数量要求的规则 。
结果如下：4）结果解释scheme -所选的关联规则挖掘方案：Apriori算法算法的参数设置：-I -N 10 -T 0 -C 0.9 -D 0.1 -U 1.0 -M 0.5 -S -1.0 -c -1 ;
各参数依次表示：I -输出项集 ， 若设为false则该值缺省;
N 10 -规则数为10;
T 0 度量单位选为置信度 ， (T1-提升度 ， T2杠杆率 ， T3 。

26、确信度);
C 0.9 度量的最小值为0.9;
D 0.1 -递减迭代值为0.1;
U 1.0 -最小支持度上界为1.0;
M 0.5 -最小支持度下届设为0.5;
S -1.0 -重要程度为-1.0;
c -1 -类索引为-1输出项集设为真(由于car, removeAllMissingCols, verbose都保持为默认值False ， 因此在结果的参数设置为缺省 ， 若设为True ， 则会在结果的参数设置信息中分别表示为A, R,V)Minimum support: 0.5 (470 instances)/最小支持度0.5 ， 即最少需要470个实例Minimum metric : 1.1/最小度量: 1.1N 。

27、umber of cycles performed: 3/进行了3轮搜索Generated sets of large itemsets:/生成的频繁项集Size of set of large itemsets L(1): 11/频繁1项集：11个Size of set of large itemsets L(2): 39/频繁1项集：39个Size of set of large itemsets L(3):4/频繁1项集：4个2.FP-Growth算法大数据1）默认数值delta以0.05为迭代递减单位 。
不断减小支持度直至达到最小支持度或产生了满足数量要求的规则 。
lowerBoundMi 。

28、nSupport最小支持度下界为0.5 。
metricType度量类型 。
设置对规则进行排序的度量依据 。

来源：(未知)

【学习资料】网址：/a/2021/0321/0021742736.html

标题：特选材料|关联规则数据挖掘[特选材料]( 四 )