数据挖掘关联规则实验报告
数据挖掘关联规则挖掘实验报告
数据挖掘关联规则挖掘实验报告【实验报告】数据挖掘关联规则挖掘1. 引言数据挖掘是从大量数据中发现隐含规律、提取有用信息的过程。
关联规则挖掘是其中的一个重要任务，通过分析数据集中的项集之间的关系，可以揭示出物品之间的相关性和共现性。
本实验旨在通过应用关联规则挖掘算法来探索一份销售数据集中的关联规则，从而提供对销售策略的指导，优化营销决策。
2. 实验设计2.1 数据收集为了开展本实验，我们从一个零售企业的数据库中获取了一份销售数据集。
该数据集包含了一段时间内的商品销售记录，包括商品编号、交易时间和交易金额。
数据集的大小为100,000条记录，共涉及1,000个商品。
我们利用Python中的数据处理库，对数据进行预处理和清洗，确保数据的准确性和可靠性。
2.2 数据预处理在进行关联规则挖掘之前，需要进行适当的数据预处理。
首先，我们根据各个交易记录的商品编号，将数据进行分组，以得到每个顾客的购买清单。
然后，我们去除数据集中的重复项，确保每个商品在每个购物篮中只出现一次。
最后，我们将数据转换为关联规则挖掘算法所接受的事务数据格式，以便后续分析处理。
2.3 关联规则挖掘算法选择针对本实验的目标，我们选择了经典的Apriori算法进行关联规则挖掘。
Apriori算法是一种基于频繁项集的挖掘方法，通过迭代生成候选项集、计算支持度和置信度，来发现频繁项集和相关规则。
3. 实验结果3.1 关联规则挖掘结果分析经过数据处理和Apriori算法的运算，我们得到了一系列的频繁项集和关联规则。
通过分析这些结果，我们可以发现一些有价值的洞察和结论。
首先，我们观察到某些商品之间存在着强关联性。
例如，购买了商品A的顾客通常也会购买商品B，这表明商品A和B具有一定的关联性，可以作为销售捆绑或推荐的策略依据。
其次，我们发现一些商品的关联规则具有较高的置信度。
这意味着如果顾客购买了某个商品，他们购买另一个商品的可能性也很大。
基于这些规则，我们可以优化促销策略，引导顾客购买更多的相关商品，提升销售额和客户满意度。
关联规则分析--实验报告
数据挖掘——关联规则一、数据处理1.来源：百度文库《麻坪中学体质测试》2.源数据描述1)源数据量：572个2)数据属性：年级编号、班号、班级、学号、民族代码、姓名、性别、出生日期、学生来源、家庭住址、身高、身高体重分数、身高体重等级、肺活量、肺活量体重指数、肺活量体重分数、肺活量等级、耐力类项目成绩、耐力类项目分数、耐力项目等级、柔韧力量类项目编号、柔韧力量类项目成绩、柔韧力量类项目分数、柔韧力量类项目等级、速度灵巧类项目编号、速度灵巧类项目成绩、速度灵巧类项目分数、速度灵巧类项目等级、奖惩项目编号、奖惩成绩、测试总分、总分等级。
（部分数据展示）3.数据处理1)数据规约选择属性：选择“姓名、性别、肺活量体重等级、耐力类项目等级、柔韧、力量类项目等级、速度、灵巧类项目等级”五个属性。
其余属性为不重要属性，故舍去。
2)数据转换a)等级属性值转化：等级均为“不及格、及格、良好、优秀”。
将“不及格”和“及格”转化为“F”；将“及格”和“不及格”转化为“T”b)性别属性值转化：女性T，男性Fc)属性名转化：将属性名和各个学生姓名转化为英文字母+数字NA：姓名A1：性别A2：肺活量体重等级A3：耐力类项目等级A4：柔韧、力量类项目等级A5：速度、灵巧类项目等级二、实验内容1.代码来源：网上算法结合自己的想法2.代码运行过程：第一次扫描后的1级备选集CandidateItemsetA1A2A3A4A5第一次扫描后的1级频繁集FrequentItemsetA1A2A3A4A5扫描后备选集A1 A2A1 A3A1 A4A1 A5A2 A3A2 A4A5 A2A3 A4A5 A3A5 A4扫描后频繁集A1 A2A1 A3A1 A4A1 A5A2 A3A2 A4A5 A2A3 A4A5 A3A5 A4扫描后备选集A1 A2 A3A1 A2 A4A1 A5 A2A1 A3 A4A1 A5 A3A1 A5 A4A2 A3 A4A5 A2 A3A5 A2 A4A5 A3 A4扫描后频繁集A1 A2 A3A1 A2 A4A1 A3 A4A1 A5 A3A1 A5 A4A2 A3 A4A5 A2 A3A5 A2 A4A5 A3 A4扫描后备选集A1 A2 A3 A4 A1 A2 A3 A5 A1 A2 A4 A5 A1 A3 A4 A5A2 A3 A4 A5扫描后频繁集A1 A3 A4 A5A2 A3 A4 A5扫描后备选集A1 A2 A3 A4 A5无满足支持度项集,结束连接扫描后频繁集Apriori算法--->频繁集A1 A3 A4 A5A2 A3 A4 A53.代码结果：支持度：0.05关联关系：A1、A3、A4、A5A2、A3、A4、A5三、结论1.由{ A1、A3、A4、A5}得出男生的耐力类项目等级、柔韧、力量类项目等级、速度、灵巧类项目等级普遍比较优秀2.由{ A2、A3、A4、A5}得出一般肺活量体重等级、耐力类项目等级、柔韧、力量类项目等级、速度、灵巧类项目等级普遍都是同一等级，即肺活量体重等级优秀的人，则其他的都是优秀。
数据分析与挖掘实验报告
《数据挖掘》实验报告目录1.关联规则的基本概念和方法 (1)1.1数据挖掘 (1)1.1.1数据挖掘的概念 (1)1.1.2数据挖掘的方法与技术 (1)1.2关联规则 (2)1.2.1关联规则的概念 (2)1.2.2关联规则的实现——Apriori算法 (3)2.用Matlab实现关联规则 (5)2.1Matlab概述 (5)2.2基于Matlab的Apriori算法 (6)3.用java实现关联规则 (10)3.1java界面描述 (10)3.2java关键代码描述 (13)4、实验总结 (18)4.1实验的不足和改进 (18)4.2实验心得 (19)1.关联规则的基本概念和方法1.1数据挖掘1.1.1数据挖掘的概念计算机技术和通信技术的迅猛发展将人类社会带入到了信息时代。
在最近十几年里，数据库中存储的数据急剧增大。
数据挖掘就是信息技术自然进化的结果。
数据挖掘可以从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的，人们事先不知道的但又是潜在有用的信息和知识的过程。
许多人将数据挖掘视为另一个流行词汇数据中的知识发现（KDD）的同义词，而另一些人只是把数据挖掘视为知识发现过程的一个基本步骤。
知识发现过程如下：·数据清理（消除噪声和删除不一致的数据）·数据集成（多种数据源可以组合在一起）·数据转换（从数据库中提取和分析任务相关的数据）·数据变换（从汇总或聚集操作，把数据变换和统一成适合挖掘的形式）·数据挖掘（基本步骤，使用智能方法提取数据模式）·模式评估（根据某种兴趣度度量，识别代表知识的真正有趣的模式）·知识表示（使用可视化和知识表示技术，向用户提供挖掘的知识）。
1.1.2数据挖掘的方法与技术数据挖掘吸纳了诸如数据库和数据仓库技术、统计学、机器学习、高性能计算、模式识别、神经网络、数据可视化、信息检索、图像和信号处理以及空间数据分析技术的集成等许多应用领域的大量技术。
关联规则实验报告
2. 转换数据test.csv为testuse.csv以便进行关联分析。
4. 查看导入的数据a)点击节点选项卡“输出”，双击“表格”节点b)右键点击“testuse.csv”节点，选择“Connect”选项，单击“Table”（在两个节点中产生一个箭头，从“testuse.csv”指向“Table”节点。
）5. 对数据进行清洗a)选择节点选项卡的“字段选项”，把“类型”节点拖入数据流区域。
b)连接“testuse.csv”节点和“类型”节点c)双击数据流区域中的“类型”节点，单击“读取值”按钮d)把其他行的“方向”的值改为“双向”6. 使用Apriori节点分析a)双击“建模”选项卡的“Apriori”节点b)连接“类型”节点与“Apriori”节点(箭头指向“Apriori”节点)7. 查看挖掘结果a)左键单击管理器的“模型”选项卡，右键点击第5部执行以后出现的模型图标b)选择“浏览”，弹出图表c)查看结果质合比3:3 和奇偶奇偶比3:3100%8. 提升a)双击“Apriori”节点，弹出选项界面，修改参数b)选择“模型”选项卡修改参数质合比1:5 和奇偶和大小奇偶比1:5关联规则分析方法原理算法优点缺点适用范围逐层搜索的迭代算法，k-项集用于探索（k+1）-项集。
连接，减枝两步走。
首先，通过扫描数据集，产生一个大的候选数据项集,并使用候选项集找频繁项集Apriori算法效率高1．多次扫描事务数据库，需很大的I/O负载。
2.单维、单层、布尔关联规66．667%。
数据挖掘关联规则实验报告
数据挖掘关联规则实验报告1. 背景关联规则是数据挖掘中一种重要的技术，用于发现数据集中的项集之间的关联关系。
关联规则可以帮助我们了解数据中的隐含模式，从而提供决策支持和洞察力。
本实验旨在通过关联规则分析数据集中的购物篮数据，探索其中的关联关系，为商家提供销售策略和推荐。
2. 数据分析2.1 数据集介绍本实验使用的数据集是一个超市的销售数据，包含了大量的购物篮信息。
每个购物篮的信息记录了购买的商品，我们可以根据这些信息分析商品之间的关联关系，挖掘出一些有用的规则。
2.2 数据预处理在进行关联规则分析之前，需要对数据进行预处理。
首先，我们需要将数据集转换成适合关联规则分析的形式，即每个篮子的商品集合。
其次，为了减少数据集的大小，我们可以去除不常见的商品或者设置最小支持度阈值。
2.3 关联规则分析在进行关联规则分析时，可以使用Apriori算法来挖掘频繁项集和关联规则。
Apriori算法通过迭代生成候选项集，并使用支持度和置信度来筛选出频繁项集和关联规则。
通过分析频繁项集和关联规则，我们可以了解商品之间的关联关系，例如某些商品的购买行为存在共同模式等。
3. 实验结果3.1 频繁项集分析结果使用Apriori算法计算频繁项集，得到了如下结果：频繁项集支持度{牛奶} 0.4{面包} 0.6{鸡蛋} 0.3{牛奶,面包} 0.3{面包,鸡蛋} 0.2从上表中可以看出，牛奶、面包和鸡蛋是经常一起购买的商品。
其中，牛奶和面包的支持度较高，说明它们经常一起被购买。
3.2 关联规则分析结果使用Apriori算法计算关联规则，设置置信度阈值为0.5，得到了如下结果：关联规则支持度置信度{牛奶} -> {面包} 0.3 0.75{面包} -> {牛奶} 0.3 0.5{面包} -> {鸡蛋} 0.2 0.33从上表中可以看出，购买牛奶的顾客有75%的概率也购买面包，而购买面包的顾客有50%的概率也购买牛奶。
数据挖掘实验报告结论(3篇)
第1篇一、实验概述本次数据挖掘实验以Apriori算法为核心，通过对GutenBerg和DBLP两个数据集进行关联规则挖掘，旨在探讨数据挖掘技术在知识发现中的应用。
实验过程中，我们遵循数据挖掘的一般流程，包括数据预处理、关联规则挖掘、结果分析和可视化等步骤。
二、实验结果分析1. 数据预处理在实验开始之前，我们对GutenBerg和DBLP数据集进行了预处理，包括数据清洗、数据集成和数据变换等。
通过对数据集的分析，我们发现了以下问题：（1）数据缺失：部分数据集存在缺失值，需要通过插补或删除缺失数据的方法进行处理。
（2）数据不一致：数据集中存在不同格式的数据，需要进行统一处理。
（3）数据噪声：数据集中存在一些异常值，需要通过滤波或聚类等方法进行处理。
2. 关联规则挖掘在数据预处理完成后，我们使用Apriori算法对数据集进行关联规则挖掘。
实验中，我们设置了不同的最小支持度和最小置信度阈值，以挖掘出不同粒度的关联规则。
以下是实验结果分析：（1）GutenBerg数据集在GutenBerg数据集中，我们以句子为篮子粒度，挖掘了林肯演讲集的关联规则。
通过分析挖掘结果，我们发现：- 单词“the”和“of”在句子中频繁出现，表明这两个词在林肯演讲中具有较高的出现频率。
- “and”和“to”等连接词也具有较高的出现频率，说明林肯演讲中句子结构较为复杂。
- 部分单词组合具有较高的置信度，如“war”和“soldier”，表明在林肯演讲中提到“war”时，很可能同时提到“soldier”。
（2）DBLP数据集在DBLP数据集中，我们以作者为单位，挖掘了作者之间的合作关系。
实验结果表明：- 部分作者之间存在较强的合作关系，如同一研究领域内的作者。
- 部分作者在多个研究领域均有合作关系，表明他们在不同领域具有一定的学术影响力。
3. 结果分析和可视化为了更好地展示实验结果，我们对挖掘出的关联规则进行了可视化处理。
通过可视化，我们可以直观地看出以下信息：（1）频繁项集的分布情况：通过柱状图展示频繁项集的分布情况，便于分析不同项集的出现频率。
(完整word版)数据挖掘实验报告-关联规则挖掘(word文档良心出品)
数据挖掘实验报告（二）关联规则挖掘**: ***班级: 计算机1304学号: **********一、实验目的1. 1.掌握关联规则挖掘的Apriori算法；2.将Apriori算法用具体的编程语言实现。
二、实验设备PC一台, dev-c++5.11三、实验内容根据下列的Apriori算法进行编程:四、实验步骤1.编制程序。
2.调试程序。
可采用下面的数据库D作为原始数据调试程序, 得到的候选1项集、2项集、3项集分别为C1.C2.C3, 得到的频繁1项集、2项集、3项集分别为L1.L2.L3。
代码#include <stdio.h>#include<string.h>#define D 4 //事务的个数#define MinSupCount 2 //最小事务支持度数void main(){char a[4][5]={{'A','C','D'},{'B','C','E'},{'A','B','C','E'},{'B','E'}};charb[20],d[100],t,b2[100][10],b21[100 ][10];inti,j,k,x=0,flag=1,c[20]={0},x1=0,i1 =0,j1,counter=0,c1[100]={0},flag1= 1,j2,u=0,c2[100]={0},n[20],v=1;int count[100],temp;for(i=0;i<D;i++){for(j=0;a[i][j]!='\0';j++) {//用来判断之前保存的是否和a[i][j]一样, 不一样就保存, 一样就不保存for(k=0;k<x;k++){if(b[k]!=a[i][j]) ; else{flag=0;break;}}//用来判断是否相等 if(flag==1){b[x]=a[i][j];x++;}else flag=1;}}//计算筛选出的元素的支持度计数for(i=0;i<D;i++){for(j=0;a[i][j]!='\0';j++) {for(k=0;k<x;k++){if(a[i][j]==b[k]) {c[k]++;break; }}}}//对选出的项集进行筛选, 选出支持度计数大于等于2的, 并且保存到d[x1]数组中for(k=0;k<x;k++){if(c[k]>=MinSupCount){d[x1]=b[k];count[x1]=c[k];x1++;}}//对选出的项集中的元素进行排序for(i=0;i<x1-1;i++){for(j=0;j<x1-i-1;j++){if(d[j]>d[j+1]){t=d[j];d[j]=d[j+1];d[j+1]=t;temp=count[j];count[j]=count[j+1];count[j+1]=temp;}}}//打印出L1printf("L1 elements are:\n");for(i=0;i<x1;i++){printf("{%c} = %d \n",d[i],count[i]);}//计算每一行的元素个数, 并且保存到n[]数组中for(i=0;i<D;i++){for(j=0;a[i][j]!='\0';j++);n[i]=j;}//对a[][]数组的每一行进行排序for(i=0;i<D;i++){for(j=0;j<n[i]-1;j++){for(k=0;k<n[i]-j-1;k++) {if(a[i][k]>a[i][k+1]){t=a[i][k];a[i][k]=a[i][k+1]; a[i][k+1]=t;}}}}//把L1中的每一个元素都放在b2[i][0]中j1=x1;for(i=0;i<j1;i++){b2[i][0]=d[i];}//把L1中的元素进行组合, K=2开始, 表示x1个元素选K个元素的组合for(k=2;b2[0][0]!='\0';k++){ //u是用来计数组合总数的u=0;v=1;//v 是用来在进行输出各种组合的标识数 v=1 说明正在进行输出 for(i=0;i<100;i++){c2[i]=0;}for(i=0;i<j1;i++){for(i1=i+1;i1<j1;i1++) {for(j=0;j<k-2;j++) {if(b2[i][j]!=b2[i1][j]){flag1=0;break;}}//进行组合的部分if(flag1==1&&b2[i][k-2]!=b2[i1][k-2]){for(j2=0;j2<k-1;j2++){b21[u][j2]=b2[i][j2];}b21[u][k-1]=b2[i1][k-2];u++;}flag1=1;}}counter=0;for(i=0;i<D;i++) //a数组有5行元素{for(i1=0;i1<u;i1++) // 代表x1个元素选K个元素的所有组合总数 {for(j1=0;j1<k;j1++) //K 代表一个组合中的元素个数{for(j=0;a[i][j]!='\0';j++) //逐个比较每一行的元素{if(a[i][j]==b21[i1][j1])counter++;}}if(counter==k)c2[i1]++; //把每种组合数记录在c2数组中counter=0;} }j1=0;temp=0;//这里的temp 是用来分行//对u种情况进行选择, 选出支持度计数大于2的*/for(i=0;i<u;i++){if(c2[i]>=MinSupCount) {if(v==1){printf("L%d elements are:\n",k);v=0;}printf("{");for(j=0;j<k;j++)//输出每种组合k 个元素{b2[j1][j]=b21[i][j];printf("%c,",b2[j1][j]);}j1++;printf("\b}");printf(" = %d \n",c2[i]);temp++;}}b2[j1][0]='\0';}}五、结果截图。
数据挖掘实验报告
数据挖掘实验报告数据挖掘是一门涉及发现、提取和分析大量数据的技术和过程，它可以揭示出隐藏在数据背后的模式、关系和趋势，对决策和预测具有重要的价值。
本文将介绍我在数据挖掘实验中的一些主要收获和心得体会。
实验一：数据预处理在数据挖掘的整个过程中，最重要的一环就是数据预处理。
数据预处理包括数据清洗、数据集成、数据转换和数据规约等步骤，目的是为了提高数据的质量和可用性。
首先，我对所使用的数据集进行了初步的观察和探索。
发现数据集中存在着一些缺失值和异常值。
为此，我使用了一些常见的缺失值处理方法，如均值替代、中值替代和删除等。
对于异常值，我采用了离群值检测和修正等方法，使得数据在后续的分析过程中更加真实可信。
其次，我进行了数据集成的工作。
数据集合并是为了整合多个来源的数据，从而得到更全面和综合的信息。
在这个过程中，我需要考虑数据的一致性和冗余情况。
通过采用数据压缩和去重等技术，我成功地完成了数据集成的工作。
接着，我进行了数据转换的处理。
数据转换是为了将原始的数据转换成适合数据挖掘算法处理的形式。
在这个实验中，我采用了数据标准化和归一化等方法，使得不同属性之间具备了可比性和可计算性，从而便于后续的分析过程。
最后，我进行了数据规约的操作。
数据规约的目的在于减少数据的维数和复杂度，以提高数据挖掘的效果。
在这个阶段，我采用了主成分分析和属性筛选等方法，通过压缩数据集的维度和减少冗余属性，成功地简化了数据结构，提高了挖掘效率。
实验二：关联规则挖掘关联规则挖掘是数据挖掘中常用的一种方法，它用于发现数据集中项集之间的关联关系。
在这个实验中，我使用了Apriori算法来进行关联规则的挖掘。
首先，我对数据进行了预处理，包括数据清洗和转换。
然后，我选择了适当的最小支持度和最小置信度阈值，通过对数据集的扫描和频繁项集生成，找出了数据集中的频繁项集。
接着，我使用了关联规则挖掘算法，从频繁项集中挖掘出了具有一定置信度的关联规则。
在实验过程中，我发现挖掘出的关联规则具有一定的实用性和可行性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验七关联规则
1. 实验目标
•使用SSAS进行关联规则挖掘实验
2. 实验要求
（1）按“实验内容”完成操作，并记录实验步骤；
（2）回答“问题讨论”中的思考题，并写出本次实验的心得体会；
（3）完成实验报告。
3. 实验内容
生成市场篮方案。
Adventure Works 的市场部希望改进公司的网站以促进越区销售。
在更新网站之前，需要根据客户的在线购物篮中已有的其他产品创建一个可预测客户购买需求的数据挖掘模型。
这些预测还有助于市场部将可能被集中购买的项统一放置在网站的一个位置上。
通过实验，创建关联规则模型，可预测可能出现在购物篮中的其他项或客户想要放入购物篮的项。
4. 实验步骤
(1) 创建市场篮挖掘模型结构
1.在Business Intelligence Development Studio 的解决方案资源管理器中，右键单击“挖掘
结构”，再选择“新建挖掘结构”。
此时，系统将打开数据挖掘向导。
2.在“欢迎使用数据挖掘向导”页上，单击“下一步”。
3.在“选择定义方法”页上，确保已选中“从现有关系数据库或数据仓库”，再单击“下一步”。
4.在“选择数据挖掘技术”页的“您要使用何种数据挖掘技术”下，选中“Microsoft 关联规
则”，再单击“下一步”。
“选择数据源视图”页随即显示。
默认情况下，“可用数据源视图”下的Adventure Works DW 为选中状态。
5.单击“下一步”。
6.在“指定表类型”页上，选中vAssocSeqOrders表旁的“事例”复选框，选中
vAssocSeqLineItems表旁边的“嵌套”复选框，再单击“下一步”（注意先在视图中建立两
个表之间的关联）。
7.在“指定定型数据”页上，依次清除CustomerKey旁边的“键”复选框和LineNumber旁
边的“键”和“输入”复选框。
8.选中Model列旁边的“键”和“可预测”复选框。
然后，系统也将自动选中“输入”复选框。
9.单击“下一步”。
10.在“指定列的内容和数据类型”页上，单击“下一步”。
11.在“完成向导”页的“挖掘结构名称”中，键入Association。
12.在“挖掘模型名称”中，键入Association，再单击“完成”。
(2) 调整关联模型的参数和处理关联模型
在处理上一个任务中与“关联”挖掘结构一起创建的初始挖掘模型之前，必须更改以下两个参数的默认值：Support和Probability。
Support定义规则被视为有效前必须存在的事例百分比。
Probability定义关联被视为有效前必须存在的可能性。
调整关联模型的参数步骤如下：
1.打开数据挖掘设计器的“挖掘模型”选项卡。
2.右键单击设计器网格中的“关联”列，然后选择“设置算法参数”。
系统将打开“算法参数”对话框。
3.在“算法参数”对话框的“值”列中，设置以下参数：
MINIMUM_PROBABILITY =
MINIMUM_SUPPORT =
4.单击“确定”。
处理关联模型步骤如下：
1.在Business Intelligence Development Studio 的“挖掘模型”菜单上，选择“处理挖掘结构和
所有模型”。
系统将打开“处理挖掘结构- 关联”对话框。
2.单击“运行”。
系统将打开“处理进度”对话框，以显示有关模型处理的信息。
模型处理可能需要一些时间，具体时间取决于您的计算机。
3.处理完成之后，在“处理进度”和“处理挖掘结构- 关联”对话框中，单击“关闭”。
(3) 浏览市场篮模型
使用数据挖掘设计器的“挖掘模型查看器”选项卡中的Microsoft 关联查看器浏览该模型。
浏览模型时，可以轻松地查看可能同时出现的产品，并可浏览项之间的关系。
还可以筛选出较弱的关联，并对新浮现的模式有一个总体的概念。
Microsoft 关联查看器包含三个选项卡：“项集”、“规则”和“依赖关系网络”。
“项集”选项卡
“项集”选项卡显示与Microsoft 关联算法发现的项集相关的三种重要信息：支持度（发生项集的事务的数量）、大小（项集中项的数量）以及项集的实际构成。
根据算法参数的设置方式，算法可以生成大量的项集。
使用“项集”选项卡顶部的控件，可以筛选查看器，使其仅显示包含指定的最小支持度和项集大小的项集。
也可以使用“筛选项集”框来筛选查看器中显示的项集。
例如，若要仅查看包含有关Mountain-200 自行车信息的项集，可在“筛选项集”中输入Mountain-200。
您将在查看器中看到，只有包含“Mountain-200”字样的项集被显示。
查看器中返回的每个项集都包含有关销售Mountain-200 自行车事务的信息。
例如，在“支持度”列中包含值710 的项集表示：在所有事务中，710 个购买Mountain-200 自行车的人也购买了Sport-100 自行车。
“规则”选项卡
“规则”选项卡显示与算法发现的规则相关的以下信息。
概率规则发生的可能性。
重要性用于度量规则的有用性，值越高则意味着规则越有用。
只看概率可能会产生误解。
例如，如果每个事务都包含一个x项，规则y预测x发生的概率为1，即x一定会发生。
即使规则的准确性很高，但这并未传达很多信息，因为不管y如何，每个事务都会包含x。
规则规则的定义。
像使用“项集”选项卡一样，可以筛选规则，以便仅显示最关心的规则。
例如，如果只想查看包含Mountain-200 自行车的规则，可在“筛选规则”框中输入Mountain-200。
查看器将仅显示包含“Mountain-200”字样的规则。
每条规则都可以根据事务中其他项的发生情况来预测某个项的发生情况。
例如，由第一个规则可知：如果一个人购买了Mountain-200 自行车和水壶，则此人还会购买Mountain 水壶套的概率为1。
“相关性网络”选项卡
使用“相关性网络”选项卡，可以研究模型中不同项的交互。
查看器中的每个节点表示一个项；例如，Mountain-200 = Existing 节点表示事务中存在Mountain-200。
通过选择节点，可以使用选项卡底部的彩色图例来确定模型中的项与其他的项的相互确定关系。
滑块与规则的概率关联。
上下移动滑块可以筛选出弱关联。
例如，在“显示”框中，选择“仅显示属性名称”，再单击Mountain Bottle Cage节点。
查看器显示，Mountain 水壶套预测了水壶和Mountain-200 自行车，而水壶和Mountain-200 自行车也预测了Mountain 水壶套。
这意味着，这些项有可能同时在事务中出现。
也就是说，如果某个客户购买了自行车，则他也可能会购买水壶套和水壶。
5. 实验结果及问题讨论
（1）根据实验结果给出市场部统一放置在网站的一个位置上的可能被集中购买的项的建议。
通过项集与规则图，我们可以看出各商品之间的关联程度，及这种关联程度的可信度，通过综合来达到相关联商品的相互促销
通过点击依赖关系网络图中的各项，观察其周围与之相关的其他项的数量，数量越多。
说明此项影响其他销售的项目越多，我们就可对此项进行促销，还可将相互影响的物品放在一起，形成相互促销。
（2）写出自己对关联规则的理解。
对于那些很难直接看出关系的各项交易，我们可以通过查询其交易的相关性，即购买此种产品会连带购买另一产品的概率，来发现其隐藏的关系，从而通过产品位置的调整或相互促销，来提高销售量。