1. 功能概述
关联规则生成，基于FP-Growth 训练后的模型输入后，能够输出详尽的关联规则分析指标： 频繁项集、支持度、频率、 置信度、提升度、前项、后项及其数量。
2. 功能输出说明
| 序号 | 名称 | 说明 | 业务意义 | ||
|---|---|---|---|---|---|
| 1 | 关联规则 | 关联规则形如X→Y的表达式（其中X，Y是不相交的项集），例如{牛奶，尿布}→{啤酒}。 | 关联规则暗示两个物品之间可能存在很强的关系，通俗来说，就是如果 X 发生了，那么 Y 也很有可能会发生。 | ||
| 2 | 前项 Antecedent 后项 Consequent | 对于关联规则X→Y，X称为前项，Y称为后项。 | 前项数量 Antecedent_quantity 后项数量 Consequent_quantity | 例如在{蔬菜罐头，冻肉}→{啤酒}关联规则中，有2个前项，1个后项，属于多对一的关联形式。 | |
| 3 | 提升度 Lift | 提升度是指含有X的条件下同时含有Y的概率，与无论是否含X含有Y的概率之比。 | 提升度>1且越高表明正相关性越高， 提升度<1且越低表明负相关性越高， 提升度=1表明没有相关性，即相互独立。 | 提升度反映了关联规则中的X与Y的相关性，提升度可用来判断商品组合方式是否具有实际价值。 | 在实际零售场景中，除了通过支持度，置信度来看待商品组合，发现高价值关联商品，同时也需要考虑提升度，若是提升度小于1，提升效果有限，商家便可以把精力花在提升度大于1的商品组合 |
关于频繁项集、支持度、置信度的说明，点击 此处 可查阅。
3. 应用示例
3.1 场景说明
我们可以基于产品内置的购物篮分析案例，通过发现在交易数据库中不同商品之间的关联规则，有助发现顾客购买行为，指导企业进行科学的商业活动。
- 如下图的输出数据中，{冻肉，啤酒} → {蔬菜罐头} 这组关联商品的置信度、提升度最高，说明冻肉、啤酒和蔬菜罐头出现在同一购物篮的概率非常高（可信度达到89%），说明买了冻肉和啤酒的用户，很有可能购买蔬菜罐头。
- 商家可以考虑采取特殊的市场推广活动或手段（给买冻肉和啤酒、蔬菜罐头的客户打折）、货架设计（蔬菜罐头放在冻肉和啤酒相邻位置）等。
- 当然还有很多其他结论，可以帮助我们对商品的销售进行分析和处理，有利于提高商品销量，实现数据价值。
3.2 操作步骤
（1）在实验管理中，选择产品内置的实验案例 " 购物篮分析 "，参考如下GIF演示的步骤，拖拽 关联规则生成 后，配置 最小提升度，便可轻松输出关联规则的相关指标。
（2）结合“过滤”功能，在过滤器中定义针对前项、后项的数量，以便筛选出一对一、一对多、多对一、多对多等关联形式。如下图所示，通过SQL语句定义筛选条件：前项数量大于1、后项数量为1。
