知识卡片
关联规则:描述而非预测
它解决的问题:在一大堆交易记录里,找出反复一起出现的组合,并把这些组合写成可读的规则。它属于无监督学习——没有标签、没有因变量,算法只从数据中归纳共现模式;同时它是描述性的,回答的是“这批数据里有什么规律”,而不是“某个客户下一步会不会买”。
规则的形式:写作 X → Y,箭头左边叫前件(LHS),右边叫后件(RHS)。“买麦片的顾客九成也买牛奶”,就是把 X = 麦片、Y = 牛奶配上一个 0.9 的置信度。
什么算有趣:既要发生得足够频繁,不可能是随机波动,又要在业务上说得通或至少足够出人意料。前者由算法阈值把关,后者只能靠人判断。
边界:共现不等于因果。规则只说“一起买”,不说“因为买了 X 才买 Y”;把规则直接当成促销因果依据,是最常见的误用。它擅长的是提出假设和排序线索,而不是给出结论。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第5章 高级分析理论与方法:关联规则 · 查看原书依据
本章讨论一种名为关联规则的无监督学习方法。这是一种描述性的而非预测性的方法,经常用于发现隐藏在大型数据集背后的有趣关系。而所揭示的关系可以被表示为规则或频繁项集(frequent itemset)。
参考来源
- 位置:《数据科学与大数据分析 数据的发现 分析 可视化与表示》第5章 高级分析理论与方法:关联规则(源文件:extracted/数据科学与大数据分析 数据的发现 分析 可视化与表示/_epub-src/text/part0015_split_000.html)
- 结论依据:5.1 节开篇把关联规则定义为无监督、描述性方法,并给出 X → Y 与前件、后件的写法;5.8 节总结再次强调它不用于预测结果或行为。
- 原始内容:本章讨论一种名为关联规则的无监督学习方法。这是一种描述性的而非预测性的方法,经常用于发现隐藏在大型数据集背后的有趣关系。而所揭示的关系可以被表示为规则或频繁项集(frequent itemset)。