今天將描述超市購物籃內容（所購買的全部商品的集合）的虛構資料，以及購買的相關個人資料（通過忠誠卡方案獲得）。目的是尋找購買相似產品並且可按人口統計學方式（年齡，收入）刻畫其特徵的客戶群。

要做這項工作，要進行兩個階段的工作：

關聯規則建模和一個解釋所購買商品之間聯絡的WEB顯示；

C5.0規則歸納（描繪已標識產品組的購買者的特徵）

Note：此應用不直接使用預測模型，因此，不對最終模型進行準確性度量，在資料探勘過程中也不存在與之相關的訓練/檢驗兩個步驟的區分。

本例使用baskrule的流，該流引用名為BASKETS1n的資料檔案。這些檔案可在Clementine安裝檔案的Demo目錄中找到。檔案baskrule位於streams目錄下。

訪問資料

使用“變數檔案”節點連線到資料集BASKETS1n，選擇要從該檔案讀取的欄位名稱。

將“型別”節點連線到資料來源，然後將該節點連線到“表”節點。

將欄位卡ID的測量級別設定為無型別（因為每個忠誠卡ID在資料集中只出現一次，因此對於建模沒有用處）。選擇名義作為欄位性別的測量級別（確保Apriori建模演算法不會將性別視為標誌）。

連線一個表，顯示資料如下：

購物籃摘要：

cardid購買此籃商品的客戶的忠誠卡識別符號。

value購物籃的總購買價格

pmethod購物籃的支付方法

卡持有者的個人詳細資訊：

sex

homeown卡持有者是否擁有住房

income

age

購物籃內容—產品類別的出現標誌：

fruitveg

freshmeat

dairy

cannedveg

cannedmeat

frozenmeal

beer

wine

softdrink

fish

confectionery

發現購物籃內容的關係

首先，需要使用Apriori大致瞭解購物籃內容的關係（關聯）以生成關聯規則，選擇要再此建模過程中使用的欄位，方法是：編輯“型別”節點，將所有產品類別的角色設定為兩者，並將所有其他角色設定為無。（雙向表示該欄位可以是結果模型的輸入或者輸出。）

指定了用於建模的欄位後，將Apriori節點附加到“型別”節點，編輯它，選擇選項“只顯示值為真的標誌變數”。

然後在Apriori節點上單擊“執行”。結果（管理器視窗右上角“模型”選項卡上的模型）包含可以檢視（使用上下文選單，然後選擇“瀏覽”）的關聯規則。

這些規則顯示凍肉，罐裝蔬菜和啤酒之間尊在多種關聯。出現雙向關聯規則。

frozenmeal->beer

beer->frozenmeal

提示：WEB顯示（只顯示雙向關聯）可能會突出顯示此資料中的一些模式。將WEB節點附加到“型別”節點，編輯WEB節點，選擇所有購物籃內容欄位，選擇“僅顯示true標誌”。

然後在WEB節點上單擊“執行”。

因為大多數產品類別組合都會出現在多個購物籃中，所以WEB上的強連線太多，無法顯示模型表示的客戶群。故我們要進行限制性WEB顯示。

要制定弱連線和強連線，請單擊工具欄上的黃色雙箭頭按鈕。這回展開顯示WEB輸出摘要和控制元件的對話方塊。

選擇“大小表示強/正常/弱”。

將弱連線設定為低於90。

將強連線設定為高於100。

在最終顯示中，會有三個客戶群突出顯示：

購買魚和果蔬的客戶，可將這類客戶成為“健康食客”

購買酒和糧果的客戶

購買啤酒、凍肉和罐裝蔬菜（“啤酒、豆類和比薩”）的客戶

描繪客戶群的特徵

根據客戶購買的產品型別標識了三個客戶群，但是還要知道這些客戶是誰，即，他們的人口統計學特徵。通過為每個群中，每個客戶新增標誌，並使用規則歸納（C5.0）來基於規則描繪這些標誌的特徵，可以實現這一點。

首先，必須獲取每個群的標誌。使用剛剛建立的web顯示，可以自動生成每個群的標誌，使用滑鼠右鍵，單擊fruitveg和fish之間的連結以突出顯示該連結，然後右鍵單擊並選擇“為連結生成‘派生’節點”。

編輯最終的“派生”節點以將“派生”欄位名稱更改為健康。使用從wine到confectionery的連結重複該練習，並將最終的“派生”欄位命名為wine_chocs.

對於第三個群（涉及三個連結），首先要確保未選擇任何連結。然後，按住shift同時單擊滑鼠左鍵，從而選擇cannedveg、beer和frozenmeal中的全部三個連結。（一定要處於“互動”模式而不是“編輯”模式。）然後，從web顯示選單中選擇：

生成>匯出節點（“和”）

將最終“派生”欄位的名稱更改為beer_beans_pizza。

要描繪這些客戶群的特徵，要連續將現有的型別節點連線到這三個匯出節點，然後附加另一個型別節點。在新的“型別”節點中，將除以下欄位外的所有欄位的角色都設定為無：value、pmethod、sex、homeown、income和age（這些欄位的角色應該設定為輸入），以及相關的客戶群（例如，beer_beans_pizza，他們的角色應該設定為目標）。

附加C5.0節點，將輸出型別設定為規則集，然後在節點上單擊“執行”。最終模型（用於beer_beans_pizza）包含此客戶群的明確人口統計學特徵：

Rule 1 for T：

if sex=M

and income <=16,900

then T

此案例結合了Apriori和C5.0完成了使用者購買行為的分析（一方面是使用者的自身行為的把握，另一方面是使用者買什麼產品，怎麼搭配讓使用者去買的把握）事實上，多數的時候我們只完成了一方面的工作，或者把二者隔離開來分析，真正的分析不應該是隻問使用者買什麼，我們怎麼搭配銷售最好，還要精準投放，精準的分析使用者的自身素質。

從上圖發現：

工資收入高於16950的人購買三者的比例99.2%

工資低於16950的人的女士購買三者比例98.8%

等等……

通過在第二個型別節點中選擇其他客戶群標誌作為輸出，可將同意方法應用到這些標誌，通過在此上下文使用Apriori代替C5.0，可生成更多替代特徵描繪；Apriori也用於同時描繪所有客戶群的特徵，原因是，Apriori並非被限制到一個輸出欄位。下圖為整個過程的資料流。

Via：http://www.cnblogs.com/yuyang-DataAnalysis/archive/2011/10/25/2223298.html