在SAS中进行数据挖掘之关联规则

SAS系统被誉为国际上的标准软件系统，本文将详细介绍如何在SAS/EM模块中进行关联规则数据挖掘，使用的软件版本是SAS 9.1.3下的Enterprise Miner 4.3:

从SAS顶端的【解决方案(S)】菜单下调出企业数据挖掘（也可以通过在命令行输入miner）：

SAS/EM的初始界面如下：

接下来，将数据挖掘外接程序示例数据集中的Associate表导入SAS逻辑库。先将xlsx文件另存为xls文件，再双击SAS资源管理器中的逻辑库，从【文件(F)】菜单下调出【导入数据】对话框：

点击【Next >】，选择xls文件及相应的工作表：

点击【Next >】，选择相应的SAS逻辑库并命名：

点击【Finish】，完成数据导入操作。回到SAS/EM界面，双击Untitled节点并重命名为Analysis。

鼠标左键按住上方工具栏中的【Input Data Source】节点 不放，拖入右边的空白区域之后再放开鼠标，此时SAS/EM界面如下：

双击刚刚拖入的【Input Data Source】节点，选择前面导入的数据集Sasuser.Associate：

切换到【Variables】选项卡，在【Model Role】列【CATEGORY】行处点击右键，选择【Set Model Role】菜单：

分别将【CATEGORY】行设置为target，其他两行设置为rejected:

关闭对话框，询问是否保存变化时，点击【是(Y)】。若关闭SAS后重新打开EM项目时弹出Diagram被锁，则删除emproj文件夹中后缀是.lck的文件即可继续编辑。

鼠标左键按住上方工具栏中的【Association】节点 不放，拖入右边的空白区域之后再放开鼠标。将鼠标移向旁边的【SASUSER.ASSOCIATE】节点周围，当变成十字型时，鼠标左键按住不放，拖向【Association】节点，此时SAS/EM界面如下：

双击右边的【Association】节点  图标，切换到【General】选项卡的界面如下：

默认的分析模式是【By Context】，它根据输入数据源的结点信息选择合适的分析方法。如果输入数据集包括一个id变量和target变量，该结点自动执行关联分析。下面的选项是设置关联最小支持度、项集最大数目和规则最小置信度。

关闭【Association】对话框，右键【Association】节点图标，在弹出的下拉选项中选择【Run】，得到运行结果如下：

此时在【Rules】选项卡上右键单击，会弹出查看图形菜单：

选择【图形(G)】之后，将窗口拉伸到合适的宽度，有些图例需要拉到更宽才会显示出来，结果界面如下：

前面结果表中的19条关联规则都体现在这张图里面，此图的信息量比较大。我们以右下方的圆圈为例来解读它的含义：从纵横坐标轴来看，此圆圈对应表中的第11条关联规则，即{Road Bikes ==> Jerseys}；从圆圈标示对应的图例来看，它表示置信度(Confidence)在20.24%到24.13%区间内，从表中可以看出实际值为20.26%；从圆圈的颜色对应的图例来看，它表示支持度(Support)在3.12%到3.78%区间内，从表中可以看出实际值为3.68%；圆圈的大小表示提升度(Lift)的大小，从表中可以看出实际值为1.34。

上面提到的置信度(Confidence)、支持度(Support)、提升度(Lift)是关联发现的三个重要评价指标，它们都是怎么计算出来的呢？我们还是以前面提到的第11条关联规则{Road Bikes ==> Jerseys}为例进行说明：

先简单统计一下数据源中相关数据，总共13050个订单，其中有购买Road Bikes订单的2369个，有购买Jerseys的订单1978个，同时购买了Road Bikes和Jerseys的订单480个，计算以下几个概率：

P(Road Bikes) = 2369/13050 = 18.15%

P(Jerseys) = 1978/13050 = 15.16%

P(Road Bikes & Jerseys) = 480/13050 = 3.68%

置信度Confidence(Road Bikes ==> Jerseys)表示在客户购买Road Bikes的条件下，同时又购买Jerseys的概率，即P(Jerseys|Road Bikes) = P(Road Bikes & Jerseys)/P(Road Bikes) = 3.68%/18.15% = 20.26%。置信度越高，说明相关联的商品被交叉销售的机会越大。

支持度Support(Road Bikes ==> Jerseys)表示客户同时购买过Road Bikes和Jerseys的概率，即P(Road Bikes & Jerseys) = 3.68%。支持度越高，说明相关联的商品被同时购买的越频繁。

提升度Lift(Road Bikes ==> Jerseys)表示使用关联规则可以提升的倍数，是置信度与期望置信度的比值，公式为Confidence(Road Bikes ==> Jerseys)/P(Jerseys) = 20.26%/15.16% = 1.34。

在进行关联规则的数据挖掘中，通过指定这三个标准的最小值，三个标准的值都大于临界值的关联规则就被列出。而且以上这三个标准缺一不可，孤立地使用这三个标准中的任意一个，都可能导致错误结果。

当某种常见现象出现在关联规则右边时，高置信度也会产生误导。比如以下几条规则的置信度都比较高，但几乎是没有作用的规则：“买方便面则买牛奶”、“买牙刷则买牛奶”、“喜欢野外休闲则会买牛奶”等等。这一类规则的置信度和支持度都会比较高，因为很少有人会不买牛奶。但这一类规则没有任何作用。

在关联规则结果界面是查看表的情况下，还可以在查看菜单下选择【生成表子集(S)...】，通过设定筛选出想要的关联规则出来，例如下图是在【Confidence】选项卡中设定最小置信度为26：

点击【Process】后，结果将筛选出8条关联规则。

在置信度(Confidence)、支持度(Support)、提升度(Lift)这三个重要评价指标之中，提升度是最有可能单独使用而不致产生误导的标准，因为它可以测量关联规则增进预测右边现象的能力。但如果该规则的支持度很低，该规则也可能造成误导。

除了以上三个对关联规则的数量标准外，一条关联规则真正可取，还需要具备以下两个条件：一是该规则必须是人们常识之外、意料之外的关联，二是该规则必须具有潜在的作用，而目前任何技术与算法都无法判断哪些知识属于常识，也无法判断哪些属于可能具有潜在作用的规则，因此关联规则的挖掘离不开人的作用。