El análisis de correlación generalmente se divide en dos pasos, a saber
El análisis de asociación, también conocido como minería de asociaciones, consiste en encontrar patrones frecuentes, asociaciones, correlaciones o estructuras causales entre conjuntos de elementos o conjuntos de objetos en datos de transacciones, datos relacionales u otros soportes de información. En otras palabras, el análisis de correlación consiste en encontrar la relación entre diferentes productos (artículos) en la base de datos de transacciones.
El análisis de correlación es una técnica de análisis sencilla y práctica que busca correlaciones o correlaciones que existen en una gran cantidad de conjuntos de datos para describir las reglas y patrones en los que ciertos atributos aparecen simultáneamente en una cosa. El análisis de correlación consiste en descubrir asociaciones interesantes y conexiones relevantes entre conjuntos de elementos a partir de una gran cantidad de datos. Un ejemplo típico de análisis de correlación es el análisis de la cesta de la compra.
Este proceso analiza los hábitos de compra de un cliente descubriendo conexiones entre los diferentes artículos que introduce en su cesta de la compra. Al comprender qué artículos compran con frecuencia los clientes al mismo tiempo, el descubrimiento de esta correlación puede ayudar a los minoristas a desarrollar estrategias de marketing. Otras aplicaciones incluyen diseño de listas de precios, promociones de mercancías, lanzamientos de mercancías y segmentación de clientes basada en patrones de compra.
Reglas como "algunos eventos provocan que ocurran otros" se pueden correlacionar y analizar desde la base de datos. Por ejemplo, "el 67% de los clientes comprarán pañales al comprar cerveza". Entonces, la calidad del servicio y la eficiencia del supermercado se pueden mejorar mediante una ubicación razonable en los estantes o ventas combinadas de cerveza y pañales. Podemos mejorar el efecto de la enseñanza fortaleciendo el aprendizaje del "lenguaje C".
Generación de reglas de asociación
Para obtener conjuntos de elementos frecuentes, la tarea en este momento es extraer reglas de asociación que sean mayores que el umbral mínimo de confianza en los conjuntos de elementos frecuentes. ¿Cómo cavar? Divida el conjunto de elementos frecuentes en dos partes: antecedente y consecuente, y luego encuentre la confianza de la regla antecedente → consecuente.
Si es mayor que el umbral mínimo de confianza, es una regla de asociación fuerte. Pero en muchos casos, los conjuntos de elementos frecuentes se dividen en antecedentes y consecuentes, y podemos optimizarlos. Reducir el número de transacciones. El principio básico de reducir el tamaño del conjunto de transacciones para escaneos futuros es: cuando una transacción no contiene un conjunto de elementos grande de longitud chi, no debe contener un conjunto de elementos grande de longitud k 1.