развертывание apriori rulsets в наборе данных в R

Question

У меня вопрос о развертывании правила apriori в R. Я в основном хочу назначить каждому из клиентов предвидение (элемент) и доверительное значение, чтобы я мог создать простую рекомендательную систему, поэтому ниже является подмножеством моего набора правил, которые я получил,

bread&wine -> meat (confidence 54%) 
cheese -> fruit (confidence 43%) 
bread&cheese -> frozveg (confidence 24%) 

и следующее простое представление о том, что я хочу достичь только с 1 клиента; это в корзине или данных таблицы истинности.

ID | Хлеб | Вино | Сыр Pred1 Conf1 Pred2 Conf2

1 | 1 | 1 | 1 мясо | 0,54 | фрукты | 0,43

Это может быть сделано путем простого подключения набора данных к модели самородок в IBM SPSS Modeler, но это не так просто в R.

Может кто-нибудь дать мне решение в R-кода на этом или простое руководство в этом?

Answer 1

Пакет recommenderlab выполняет то, что вы хотите (минус показывая уверенность). Вот код (адаптировано из документации recommenerlab), которая узнает модель Рекомендатора из магазинного набора данных, и подает его на первые 10 сделок:

library(recommenderlab) 
data(Groceries) 
dat <- as(Groceries, "binaryRatingMatrix") 
rec <- Recommender(dat, method = "AR", 
    parameter=list(support = 0.0005, conf = 0.5, maxlen = 5)) 
getModel(rec) 

    $description 
    [1] "AR: rule base" 

    $rule_base 
    set of 38365 rules 

    $support 
    [1] 5e-04 

    $confidence 
    [1] 0.5 

    $maxlen 
    [1] 5 

    $measure 
    [1] "confidence" 

    $verbose 
    [1] FALSE 

    $decreasing 
    [1] TRUE 


pred <- predict(rec, dat[1:5,]) 
as(pred, "list") 
    [[1]] 
    [1] "whole milk"  "rolls/buns"  "tropical fruit" 

    [[2]] 
    [1] "whole milk" 

    [[3]] 
    character(0) 

    [[4]] 
    [1] "yogurt"  "whole milk" "cream cheese " "soda"   

    [[5]] 
    [1] "whole milk" 

Вот параметры, которые вы можете использовать при создании Рекомендатора ,

recommenderRegistry$get_entry("AR", dataType = "binaryRatingMatrix") 
    Recommender method: AR 
    Description: Recommender based on association rules. 
    Parameters: 
    support confidence maxlen measure verbose decreasing 
    1  0.1  0.3  2 confidence FALSE  TRUE