R中的关联规则 - 删除冗余规则（arules）答案

【问题标题】：Association rule in R - removing redundant rule (arules)R中的关联规则 - 删除冗余规则（arules）
【发布时间】：2016-08-05 19:08:41
【问题描述】：

假设我们有 3 条规则：

[1] {A,B,D} -> {C}

[2] {A,B} -> {C}

[3] Whatever it is

规则[2] 是规则[1] 的子集（因为规则[1] 包含规则[2] 中的所有项目），因此规则[1] 应该被删除（因为规则[1] 过于具体并且它的信息包含在规则[2])

我在网上搜索，每个人都在使用这些代码来删除多余的规则：

subset.matrix <- is.subset(rules.sorted, rules.sorted)
subset.matrix[lower.tri(subset.matrix, diag=T)] <- NA
redundant <- colSums(subset.matrix, na.rm=T) >= 1
which(redundant)
rules.pruned <- rules.sorted[!redundant]

我不明白代码是如何工作的。

在代码的第 2 行之后，subset.matrix 将变为：

      [,1] [,2] [,3]
[1,]   NA    1    0
[2,]   NA   NA    0
[3,]   NA   NA   NA

下方三角形中的单元格设置为 NA，由于规则 [2] 是规则 [1] 的子集，相应的单元格设置为 1。所以我有 2 个问题：

为什么我们必须将下三角形设置为 NA？如果我们这样做，那么我们如何检查规则 [2] 是否是规则 [3] 的子集？（单元格已设置为NA）
在我们的例子中，规则 [1] 应该是要被消除的规则，但是这些代码消除了规则 [2] 而不是规则 [1]。（因为第2列的第一个单元格是1，根据代码第3行，第2列的列和>=1，因此将被视为冗余）

任何帮助将不胜感激！

【问题讨论】：

标签： r arules

【解决方案1】：

要使您的代码正常工作，您需要一个兴趣度量（置信度或提升度），rules.sorted 需要按置信度或提升度排序。无论如何，代码效率非常低，因为is.subset() 创建了一个大小为 n^2 的矩阵，其中 n 是规则的数量。此外，规则的is.subset 合并了不正确规则的 rhs 和 lhs。所以不用太担心实现细节。

一个更有效的方法现在实现为包 arules 中的函数 is.redundant()（在版本 1.4-2 中可用）。这个解释来自手册页：

如果一个更通用的规则具有相同或更高的规则，则该规则是冗余的信心是存在的。也就是说，一个更具体的规则是多余的，如果它是仅与更一般的规则具有同等甚至更少的预测性。一条规则如果它具有相同的 RHS 但删除了一项或多项，则更通用来自 LHS。形式上，规则 X -> Y 是多余的，如果

对于某个 X' 子集 X，conf(X' -> Y) >= conf(X -> Y)。

这相当于一个负的或零的改进，定义为巴亚多等人。（2000 年）。在此实施中，其他措施比信心，例如提升升力，也可以使用。

查看? is.redundant 中的示例。

【讨论】：

不知道有这样的功能。感谢您提供有用的信息。
如果我有 A -> B 和 B -> A 之类的规则，我该如何删除其中一个？因为其中之一是多余的。 "is.redundant" 似乎无法做到这一点。
您如何知道要删除哪一个以及保留哪一个？它们都将具有相同的支撑和升力。我猜你可以在规则上调用 generateItemsets()，然后使用 duplicated() 来查找包含完全相同项目的规则。

【解决方案2】：

使用 arules 包删除冗余规则...

运行先验算法：

rules <- apriori(transDat, parameter = list(supp = 0.01, conf = 0.5, target = "rules", maxlen = 3))

去除多余的：

rules <- rules[!is.redundant(rules)]

检查：

arules::inspect(rules)

创建一个数据框：

df = data.frame(
lhs = labels(lhs(rules)),
rhs = labels(rhs(rules)), 
rules@quality)

【讨论】：

【解决方案3】：

只需查看 rstudio 中 is.redundant() 的帮助，它明确指出

假设有一个

rule1 X->Y 置信度 cf1

rule2 X' -> Y 置信度 cf2 其中 X' 是 X 的子集

如果 rule2 的置信度高于 rule1，即 cf2 > cf1（其中 X' 是 X 的子集），则称 rule1 是冗余的

即，如果存在一条规则，其中 lhs 的子集可以给 rhs 更多的置信度，那么之前的规则被称为冗余规则。

我们将下三角形设为 na，这样规则就不会成为其自身的子集
信息不充分，不能仅仅基于子集就说规则是多余的，必须考虑置信度值

【讨论】：