關聯關則是資料探勘中很有名的買尿布有一定的機率會買啤酒，所以尿布和啤酒有一定的關聯度，所以在消費行為分析上是很有用，而分析的結果店家可以進行商品組合促銷，增加商品銷售率，關聯規則本來是要在店商分析中說明，不過沒關係配合Shiny網頁讓行銷人員透過Web進行分析，不過這些預測性的東西都須要對一些名詞的理解才能解釋，所以在這邊以尿布和啤酒，言簡意賅做解釋。
Support (支持度) : 意思是某特定種類在所有種類的比重，例如我有100名會員，其中有20名購買過尿布，則support(尿布) = 20% 。
Confidence (信賴度) : 意思是某A種類中，含有某B種類的比重，例如我有100名會員，其中40人買過啤酒，而這40買過啤酒者當中，又另有10人買過尿布，則confidence(啤酒->尿布) = 10/40 = 25% 。
Lift (提升度) : 意思為某兩者關係的比值，如果小於1 代表兩者是負相關，等於1 表示兩者獨立，大於1 表示兩者正相關，公式為confidence(A->B) / support(B) ，帶入上述例子可表示成 lift(尿布->啤酒) = 25/20 = 1.25 。
在R執行關聯規則須將原本資料結構dataframe轉換成transactions類別，也就是二元關聯矩陣，聽起來很像很偉大，其實就一個指令而已，而本次資料集採用套件arules中的Groceries內建資料集，該資料集為便利商店30天內的交易共計9835 筆，169各類別商品，該資料集已經為transactions資料類別，程式如下：
server.R程式
library(arules)
shinyServer(function(input,output){
output$mba <- renderPrint({
rules <- apriori(Groceries,parameter = list(support=.001,
confidence=.8))
inspect(rules)
})
})
shinyUI(fluidPage(
sidebarLayout(
sidebarPanel(
),
mainPanel(
verbatimTextOutput("mba")
)
)
))
在server程式中將商品的關聯結果採用renderPrint()，而不採用renderTable因為試過所呈現的效果不好，而在ui.R使用verbatimTextOutput()，該函式是建立文字元素通常是跟renderPrint()配合使用，因此成果如下圖
ui.R程式調整如下
shinyUI(fluidPage(
sidebarLayout(
sidebarPanel(
selectInput("sup","請選擇支持度",choices = c(.1,.01,.05,.001,.005)),
selectInput("conf","請選擇信賴度",choices = c(.5,.6,.7,.8,.9))
),
mainPanel(
verbatimTextOutput("mba")
)
)
))
server.R程式調整如下
library(arules)
shinyServer(function(input,output){
output$mba <- renderPrint({
rules <- apriori(Groceries,parameter = list(support=as.numeric(input$sup),
confidence=as.numeric(input$conf)))
inspect(rules)
})
})
在上述程式在ui.R中設定兩個變數分別為sup及conf`，存放支持度和信賴度的值，因此在server.R將值帶入，成果如下圖
沒有留言:
張貼留言