12.1 关联规则算法的概念、原理、流程和程序实现
观看本章节视频¶
一、关联规则的核心概念¶
关联规则分析（Association Rule Learning）是发现大数据集中变量间有趣关系的无监督学习方法。在金融领域典型应用包括：
信用卡交叉销售推荐（A→B：申请信用卡客户同时购买保险概率）
金融产品组合分析
反欺诈规则挖掘（异常交易行为关联）
关键术语：
支持度(Support)：P(A∩B)，项目集同时出现的概率
置信度(Confidence)：P(B|A)，A出现时B的条件概率
提升度(Lift)：P(B|A)/P(B)，规则的有效性指标
杠杆率（Leverage）：实际共现频率与独立假设下的期望频率之差
事务项集: 由一组项（items）组成的集合，这些项通常来自某个事务数据库（transaction database）中的一条记录（即一个事务）
频繁项集: 数据集中出现频率不低于给定最小支持度阈值（min_support）的项集。
二、Apriori算法流程¶
生成事务项集
生成频繁项集（（满足最小支持度阈值）
基于频繁项集产生关联规则
基于置信度、提升度、业务需求等赛选关联规则
从 mlxtend 库的 preprocessing 模块中引入 TransactionEncoder 类，专门用于将事务型数据（如购买清单）转换为机器学习算法（ Apriori）所需的布尔（0-1）矩阵格式。
import pandas as pd #导入pandas库
from mlxtend.preprocessing
import TransactionEncoder df = pd.read_csv("purchase_list.csv") # 从购买清单表读取数据
transactions = df["商品列表"].apply(lambda x: x.split(", ")).tolist() # 将表中数据转化为事务列表数据
te = TransactionEncoder()
te_ary = te.fit(transactions).transform(transactions)
df_encoded = pd.DataFrame(te_ary, columns=te.columns_) #将事务列表转化为布尔矩阵2. 生成频繁项集¶
from mlxtend.frequent_patterns
import apriori, association_rules #挖掘频繁项集（min_support=0.15）
frequent_itemsets = apriori(df_encoded, min_support=0.15, use_colnames=True) 3. 基于频繁项集产生关联规则并根据置信度过滤关联规则¶
rules = association_rules(frequent_itemsets, metric="confidence", min_threshold=0.6)
print(rules[["antecedents", "consequents", "support", "confidence"]])四、扩展思考¶
如何将关联规则与监督学习结合构建金融风控模型？
高频交易数据中关联规则的应用局限？
非结构化金融文本信息的关联分析可能？