在SAS中進行數據挖掘之關聯規則

SAS系統被譽為國際上的標準軟件系統，本文將詳細介紹如何在SAS/EM模塊中進行關聯規則數據挖掘，使用的軟件版本是SAS 9.1.3下的Enterprise Miner 4.3:

從SAS頂端的【解決方案(S)】菜單下調出企業數據挖掘（也可以通過在命令行輸入miner）：

SAS/EM的初始界面如下：

接下來，將數據挖掘外接程序示例數據集中的Associate表導入SAS邏輯庫。先將xlsx文件另存為xls文件，再雙擊SAS資源管理器中的邏輯庫，從【文件(F)】菜單下調出【導入數據】對話框：

點擊【Next >】，選擇xls文件及相應的工作表：

點擊【Next >】，選擇相應的SAS邏輯庫并命名：

點擊【Finish】，完成數據導入操作?；氐絊AS/EM界面，雙擊Untitled節點并重命名為Analysis。

鼠標左鍵按住上方工具欄中的【Input Data Source】節點 不放，拖入右邊的空白區域之后再放開鼠標，此時SAS/EM界面如下：

雙擊剛剛拖入的【Input Data Source】節點，選擇前面導入的數據集Sasuser.Associate：

切換到【Variables】選項卡，在【Model Role】列【CATEGORY】行處點擊右鍵，選擇【Set Model Role】菜單：

分別將【CATEGORY】行設置為target，其他兩行設置為rejected:

關閉對話框，詢問是否保存變化時，點擊【是(Y)】。若關閉SAS后重新打開EM項目時彈出Diagram被鎖，則刪除emproj文件夾中后綴是.lck的文件即可繼續編輯。

鼠標左鍵按住上方工具欄中的【Association】節點 不放，拖入右邊的空白區域之后再放開鼠標。將鼠標移向旁邊的【SASUSER.ASSOCIATE】節點周圍，當變成十字型時，鼠標左鍵按住不放，拖向【Association】節點，此時SAS/EM界面如下：

雙擊右邊的【Association】節點  圖標，切換到【General】選項卡的界面如下：

默認的分析模式是【By Context】，它根據輸入數據源的結點信息選擇合適的分析方法。如果輸入數據集包括一個id變量和target變量，該結點自動執行關聯分析。下面的選項是設置關聯最小支持度、項集最大數目和規則最小置信度。

關閉【Association】對話框，右鍵【Association】節點圖標，在彈出的下拉選項中選擇【Run】，得到運行結果如下：

此時在【Rules】選項卡上右鍵單擊，會彈出查看圖形菜單：

選擇【圖形(G)】之后，將窗口拉伸到合適的寬度，有些圖例需要拉到更寬才會顯示出來，結果界面如下：

前面結果表中的19條關聯規則都體現在這張圖里面，此圖的信息量比較大。我們以右下方的圓圈為例來解讀它的含義：從縱橫坐標軸來看，此圓圈對應表中的第11條關聯規則，即{Road Bikes ==> Jerseys}；從圓圈標示對應的圖例來看，它表示置信度(Confidence)在20.24%到24.13%區間內，從表中可以看出實際值為20.26%；從圓圈的顏色對應的圖例來看，它表示支持度(Support)在3.12%到3.78%區間內，從表中可以看出實際值為3.68%；圓圈的大小表示提升度(Lift)的大小，從表中可以看出實際值為1.34。

上面提到的置信度(Confidence)、支持度(Support)、提升度(Lift)是關聯發現的三個重要評價指標，它們都是怎么計算出來的呢？我們還是以前面提到的第11條關聯規則{Road Bikes ==> Jerseys}為例進行說明：

先簡單統計一下數據源中相關數據，總共13050個訂單，其中有購買Road Bikes訂單的2369個，有購買Jerseys的訂單1978個，同時購買了Road Bikes和Jerseys的訂單480個，計算以下幾個概率：

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)表示在客戶購買Road Bikes的條件下，同時又購買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，說明相關聯的商品被交叉銷售的機會越大。

支持度Support(Road Bikes ==> Jerseys)表示客戶同時購買過Road Bikes和Jerseys的概率，即P(Road Bikes & Jerseys) = 3.68%。支持度越高，說明相關聯的商品被同時購買的越頻繁。

提升度Lift(Road Bikes ==> Jerseys)表示使用關聯規則可以提升的倍數，是置信度與期望置信度的比值，公式為Confidence(Road Bikes ==> Jerseys)/P(Jerseys) = 20.26%/15.16% = 1.34。

在進行關聯規則的數據挖掘中，通過指定這三個標準的最小值，三個標準的值都大于臨界值的關聯規則就被列出。而且以上這三個標準缺一不可，孤立地使用這三個標準中的任意一個，都可能導致錯誤結果。

當某種常見現象出現在關聯規則右邊時，高置信度也會產生誤導。比如以下幾條規則的置信度都比較高，但幾乎是沒有作用的規則：“買方便面則買牛奶”、“買牙刷則買牛奶”、“喜歡野外休閑則會買牛奶”等等。這一類規則的置信度和支持度都會比較高，因為很少有人會不買牛奶。但這一類規則沒有任何作用。

在關聯規則結果界面是查看表的情況下，還可以在查看菜單下選擇【生成表子集(S)...】，通過設定篩選出想要的關聯規則出來，例如下圖是在【Confidence】選項卡中設定最小置信度為26：

點擊【Process】后，結果將篩選出8條關聯規則。

在置信度(Confidence)、支持度(Support)、提升度(Lift)這三個重要評價指標之中，提升度是最有可能單獨使用而不致產生誤導的標準，因為它可以測量關聯規則增進預測右邊現象的能力。但如果該規則的支持度很低，該規則也可能造成誤導。

除了以上三個對關聯規則的數量標準外，一條關聯規則真正可取，還需要具備以下兩個條件：一是該規則必須是人們常識之外、意料之外的關聯，二是該規則必須具有潛在的作用，而目前任何技術與算法都無法判斷哪些知識屬于常識，也無法判斷哪些屬于可能具有潛在作用的規則，因此關聯規則的挖掘離不開人的作用。