weka关联规则分析过程截图

关联规则分析是一种揭示项目如何相互关联的技术。关联规则分析也称为购物栏分析。 当我们去杂货店购物时，通常有一个标准的购物清单，具体取决于个人的需求和偏好。 家庭主妇可能为晚餐购买食材，单身汉可能会购买啤酒和薯条。了解这些购买模式可以通过多种方式帮助增加销售额。 如果有一对经常一起购买的物品，可以放在同一个货架上，这样会提示购买商品的买家购买另一件商品。虽然我们可能知道某些物品经常一起购买，但问题是我们如何发 发现这些关联方法？一、知识度这表示项目级的受欢迎程度。以项目级出现的交易比例来衡量。在下图中，啤酒的知识度为五分钟的三份及百分之六十。 如果您发现超过一定比例的商品销售往往会对您的利润产生重大影响。您可以考虑将该比例作为您的支持度门槛。然后您可以将支持值高于此预值的相机标志为重要相机方法啊。致信度， 这表示在购买商品 x 是购买商品 y 的可能性有多大？表示为 x 箭头 y， 这是通过与项目 x 的交易比例来衡量的，其中项目 y 也出现在交易中。啤酒对薯条的致信度为三分钟的两 分及百分之六十七。致性度，度量的一个缺点是他可能会歪曲关联的重要性，这是因为他只考虑了啤酒的受欢迎程度，而不考虑薯条。 如果薯条通常也很受欢迎，那么包含啤酒的交易也将包含薯条的可能性更高，从而夸大了致信度。为了说明这两个组成项目的基本受欢迎程度，我们使用了第三种度量，称为提升度。方法三、提升度 就表示在购买商品 x 时购买商品 y 的可能性有多大。同时控制商品 y 的受欢迎程度。在上述交易中，啤酒的薯条的提升度为一点一一，这意味着项目之间有关联 提升直达于一表示如果购买了商品 x， 则很可能购买商品 y。 而小于一 表示如果购买了商品 x， 则不太可能购买商品 y。 但是，企业主通常不会询问单个相机，而是完整的流行相机列表。要获得此列表，需要计算每个可能的项目组合。 在只有十件商品的商店中，要检查的可能组合总数将高达一千零二十三种。在拥有数百件商品的商店中，这个数字成指数增长。 有没有办法减少要考虑的项目组合数量？ a p r e 原理可以减少我们需要检查的项目级的数量。简而言之， a p r e。 原理指出，如果一个项目级是不平凡的，那么他的所有子级也必须是不平凡的。 这意味着，如果发现苹果不常见，在合并流行相机列表时，我们不需要考虑苹果和啤酒组 盒，也不需要考虑任何其他包含苹果的相机组合。使用 appryorry 原理可以修剪需要检查的相机的数量，并且可以通过一下步骤获得热门相机的列表。首先从只包含一个项目的项目即开始，例如啤酒和草莓。 然后确定相机的支持，保留满足最小支持预值的相机，并删除不满足的相机。 使用您在步骤一中保留的相机，生成所有可能的相机组合。最后重复步骤一和二，直到不再有新相机。 正如动画中所见，苹果被确定为支持度较低，因此将其删除，并且不需要考虑所有其他包含苹果的相机组合。这将要考虑的项目级的数量减少了一半以上。接下来， 我将解释如何在二中提取关联规则。关联规则模型适用于交易数据。交易数据的一个例子可以是客户的购物历史，读取数据，创建数据，并将其收集到交易数据框中，检查交易数据框中的数据。 接下来，我们需要将生成的数据框转换为交易数据类型。为了检查交易数据的内容，我们使用 inspect 命令。 然后，我们用 apriarry 模型挖掘规则。我们从上面的列表中获取第一个规则后，向来检查该项的规则。我们为后项建立规则，按置信度排序，并检查规则 结果可视化。最后，我们从规则几二中绘制出前五条规则。 最后，我们进行交互可视化，绘制出前五条规则。

哈喽，大家好，这里是阿尔巴雷塔，我是石路。在之前的文章里，我讲过了商品关联规则挖掘的原理和过程，在本片中我也讲了拍摄实现关联规则的挖掘。 在这里我希望通过 party 来展示我们挖掘好的商品官员规则， 在这里直线商品官员规则的动态可视化展示，以便业务人员能够更好的用这个结果来提升业务。这是一个已经制作好的 关联规则挖掘的合适化页面。接下来我带领大家从零开始，一步一步先如何制作这个界面， 这是哈尔滨出使法界面，点击获取数据，点击更多， 这里会出现获取数据员，我们输入 icen， 达到 icen 脚本，点击连接， 再将我们之前写好的拍成代码放到 摇本中，点击确定，然后等待 rvi 连接拍粉。运行 小本程序癌获取商品关联规则数据及 这过程会比较慢，因为大家都知道商品关联规则挖掘过程中需要寻找平凡相机，而平凡相机搜寻是比较慢的，我们需要等待一会 发现脚本运行完毕，我们看到这里产生的六张表，这是脚本程序在运行过程中生成的 表，我们只需要取最后一张表，也就是拜 ab 这张表，我们将它 下载简单，这里可以看到这里显示的这是 a 商品，这是 b 商品，然后 他们的知识度，知性度、提升度就是我们想要的数据，给他加载， 我们的表已经导入进来了，大家可以看到在这里发现 ab， 我们可以通过数据及这里查看复习四的 这里我们看到单美商品名称，这里他每一个记录前面都有一个 ronsett 以及小括号中国号，从这里还需要对他进行处理，因为在后续展示的过程中 会看的不是很清楚，所以我们这里通过转换数据来进行处理， 选中这个字段，点击转换，点击提取，点击风格符之间的文本。也就是说我们 只需要中国号之间的商品名称，所以我们以中国号作为分高府，点击确定，这样我们就把商品名称给提取出来了。同样呢，我们对一商品也进行相同的转换过程， 你确定好，这样我们的数学题就处理完成，点击关闭闭音。哦， 那数学题处理好之后，我们现在就开始进行格式化展示， 我们的目的是为了实现，如果给定 a 商品，如何寻找最好的 b 商品来增加 ab 商品的销量呢？ 那我们这里使用 t 变器或者筛选器把 a 商品放进来， 再用一个摄像机把壁上给你放进来。 这样我选择了 一商品之后，他会自动的会加符合条件的 b 商品所对应的所有的关联规则给展示出来， 这样我们就实现了。 如果业务人员看到他想要看哪个商品的关联规则，就可以通过这样筛选的方式实现。但是这样并不直观，我并不知道这里所有的 b 商品哪个是更合适的，所以我们这里需要使用 让土来展示他们之间的最好的关系。这里使用三点土， 把支持度放在 s 中，自信度放在外轴，提升度放在大小。 还有一个问题，如果想看全部的商品怎么办呢？这里就需要把两选打开， 感觉队友会出现全线按钮， 然后呢对 b 产品我也把相应按键打开，这样我就可以看到全部的商品的对应的关键规则。但是这里为什么还是显示一个点呢？这是因为哈尔滨对导入了数据， 如果自断是负值起呢，他就自动生成计算自断，所以有，但是我们这里不需要是计算自断，所以我们需要把这里的汇总给他抵消掉，选择不汇总， 这样就把所有的数据都给展示出来了。 是，这样可以看到我在 选择一个商品，然后他就会把所有对应的 b 商品的关联规则都给展示出来，但是这样我知道了，呃，支持度和知心度。但是如果我看单独的产品，我们不知道他是谁，所以我们这里需要对这个三点图给他加上图例， 把 b 产品的商品名称放在这里，这样我们就可以知道他对应的这个点表示的是 b 商品的支持度是多少， 滤芯度是多少，提升度的大小， 这样我可以直观的看到。 我还想知道他的具体数值怎么办呢？我就在这里增加一个矩阵啊，知识度、 硬度、深度放在这里，同样的我把它的灰松给它取消掉， 这样这里就展示了所有的官员规则对应的支持度，执行度，提升度的。具体这里用三线图也可以显示他们的关系。 但是还有一个继续有一个问题，就是我希望通过知识度或者知心度来进行筛选，比如说我想达到 零点零二的湿度，他有多少条关联规则，这里我们使用切片器来进行 一个筛选，把知识度放在这里，这样他就生成一个切片器，再生成一个对，知心度生成一个切片器。 好，这样我们来讲实现的基本功能都基本上实现了，但是为了， 嗯，因为这是面向业务人员的，为了让他能够更加简明的理解 要做什么，我们需要给这些图表第一进行一个说明，第二进行一个美化。首先我们加入一个文本框，将我们实现的关联规则的核心 指标放进来，以便于他们能够快速的理解这张表是在做什么。 对，我选择这个字体，选择十号，然后加粗，然后我们还需要给这张页面加一个标题，这里我们使用一个形状， 然后加一个标题，标题叫做打开文本，叫做商品 关联规则挖掘，把字体改为黑色， 小啊大一点，把它放到中间来， 已搞到不省为止。然后把他的 笔改为字体， 然后再把它背景填充给大家去掉，然后边框 关掉。好，我们基本页面，这样呢布置和设计就完成了，但是还想进一步美化怎么办呢？ 这里给他添加一个一面背景，一面背景添加为 颜色来透明度盯掉，这样没看到每个组件之间其实是有缝隙的，如果是白色的看不出来，那这样就可以看出来，所以我们需要对他进行调整，他更加的好看一点。 然后我们对每个模块把他的背景 胃癌，他会透明 哦，特别特别透明，这样可以让他 把列表题背景也调成 以列 字体改了黑色，背景改成我们使用的一样颜色， 每个阶段都要进行设置， 再把网格按掉，横扩线也设置， 然后我们再重新进行一下 来全选 好，这样我们整个音乐就这样就做好了，这样这个颜色太暗了，再把它调整一下， 稍微调浅一点。 这里如果要改动的话，就需要全部进行改动，稍微比较麻烦一点，但是如果都是需要这么一个慢慢调整的过程， 当一个也需要进行动感 好，我们的过程就这样制作完成了。该怎么看呢？我们这里 拿一个来举例，比如约上一个顾客购买 a 产品，对，就会 我们选择的 a 产品，这里就会自动生成跟 a 产品有关的 b 商品的官员规则，然后在三店途中 会展示一些观念规则的提升度和知性度。知识度和知性度，我们通过呃返点的大小以下的位置来判断哪一个产品哪一条规则是比较好的。 这里没有一个平板标准，只有业务人员在具体实验过程中判断使用，所以我们也没有办法说哪一个更好，这里有，嗯，可以判断这个更好。然后 把鼠标放在这个点上就可以必须看到他的商品名称、知识度、知性度和 提升度，在这里也可以看到他的具体数值，如果我选择他的话，这里就会显示他的具体数值，这里我们也可以通过这个计算器进行一个筛选。 好，今天的内容就到此结束，我是直路，欢迎大家关注我，谢谢大家。

哈喽大家好，这里是来自数据智能社区的哈普，那前面呢，我为大家介绍了经典的基于标的物的协同过滤推荐算法，那么其实还有利用关联规则、朴素毕业思和居类这三类机器学习算法来做协同过滤推荐的方法。 在我们这本构建企业级推荐系统里呢，给大家做了详细的介绍，并且还介绍了三个基于这三类机器学习算法的工业级推荐系统。 这三个推荐系统呢，被优退股和谷歌分别用于视频和新闻推荐当中，这些算法呢在优退股和谷歌六子早期产品中得到了采用，并且在当时的情况下效果非常不错，值得大家深入学习和了解。 那我这期视频呢，我就来为大家简单介绍一下基于关联规则的推荐算法。关联规则是数据挖掘领域非常经典的一个算法，这个算法呢 可以用一个故事，也就是啤酒与尿布来介绍。那相信大家对这个故事应该都耳熟能详了，就是在某些特定的情况下，啤酒与尿布这两件看上去毫无关系的商品会经常出现在同一个购物栏当中。 这种独特的销售现象呢，引起了管理人员的注意。那经过调查后发现，这种现象经常是出现在年轻的父亲身上， 原来是在有婴儿的美国家庭当中，一般是母亲在家里照看婴儿，年轻的父亲会前去超市购买尿布，那父亲在购买尿布的同时呢，往往会顺便给自己购买啤酒，那这样的话就会出现啤酒与尿壶这两件看上去毫不相干的商品会经常出现在同一个购物栏的现象， 那下面我们来给出关联规则的定义。假设 p 等于 p 一， p 二， p 三，一直到 p n 是所有 标题物的集合，那对于商场来说呢，就是所有商品的集合。关联规则呢，一般表示为这个形式， 其中 x y 是 p 的子级，并且 x 交 y 等于空级，那么这个关联规则呢，就表示如果 x 在用户的购物栏当中，那么用户会有很大的概率同时购买了 y。 那通过定义关联规则的度量指标，一些常用的关联规则算法就能够自动的发现所有关联规则。那关联规则的度量指标呢？主要是指支持度和自信度。 那知识度是指所有的购物栏当中包含 x 并 y 的比例，也就是 x y 同时出现在一次交易中的概率。而知性度是指购物栏中包含 x 同时也包含 y 的比例，也就是在 x 给定的情况下外出现的条件概率。 那么大家可以参考这两个公式，可以看出，知识度越大，包含 xb 上歪的交易样本越多，说明关联规则就有更多的样本来支撑，证据呢就更加充分。那么知性度越大呢，我们就更有把握从包含 x 的交易中推断出该交易也包含歪。 在关联规则挖掘上呢，我们需要挖掘出知识度和知性度大于某个预值的关联规则，这样的关联规则才更有可信，更有说服力，淡化能力也就越强。 那有了关联规则的定义，下面就来讲解一下怎样将关联规则用于个性化的推荐当中。对于推荐系统来说，一个购物栏就是用户操作过的所有标定物的集合。关联规则表示的意思是，如果用户操作过 x 中的所有标定物，那么用户很可能会喜欢外中的标定物。 那基于上述这个说明呢？利用关联规则为用户优生成推荐的算法流程呢，就是第一挖掘出所有满足一定支持度和自信度的关联规则。第二是从挖掘出的所有关联规则中筛选出所有满足 x 包含与 a 的关联规则。 那么这边就假设 a 是优所有操作过的标题物的集合，那第三就是为用户优生成推荐户选机。那具体呢，大家可以看这个公式， 就是将所有满足流程二的关联规则中的歪和，并并且剔除掉用户已经操作过的标题物，这些标题物就是带推荐给用户优的。 那对于流程三中的推荐候选级 s 可以按照该标题物所在的关联规则的知性度大小降序排列。对于多个关联规则生成同样的推荐候选级的标题物的，就可以用 知性度最大的那个关联规则的知性度。当然除了可以采用知性度之外，也可以用知识度和知性度的成绩作为排序依据。那对于流程三中的排序好的标题物，就可以取 top n 作为推荐给用户优的推荐结果。 那基于关联规则的推荐算法思路呢，是比较简单朴素，也是易于实现的。利用关联规则做推荐是从用户的过往行为中挖掘用户的行为模式，并用于推荐。由于只用到了用户的行为数据，因此呢，利用关联规则做推荐也是一种协同过滤算法， 关于关联规则算法的介绍，以及怎么利用关联规则进行个性化推荐，还可以阅读我们构建企业级推荐系统第五章提供的参考文献，大家也可以上京东或者当当购买这本书哦，我们下期视频再见。拜拜。

五分钟学算法，今天我要给大家讲一讲一个由啤酒和尿布所引发的如何挖掘关联规则的算法。 啤酒与尿布这个故事啊，他其实是一个真实的故事，他发生在沃尔玛公司，那么沃尔玛公司啊，为了吸引用户，提高服务质量，他就对用户的购买行为，也就是购物栏呢进行了分析。那么在分析的过程中啊，他就发现 很多买了尿布的那些人啊，往往同时买了啤酒，那么这是一个错误的挖掘吗？其实不是，那么通过事后的这些客户的走访，他就发现，当时在美国的很多家庭当中，那么很多的丈夫呢，在下班 以后啊，根据这个妻子的这个祖父呢，要去买一些尿布，同时啊，在买完尿布以后，他们往往呢会给自己买一个最喜欢的啤酒呢来喝。所以啊，这个看似不合理的这样的一个挖掘结果，其实蕴含了一个生活上的一个习性， 所以沃尔玛公司啊，就利用这样的一个关联规则呢，就把这个啤酒和尿布的货架呢就摆放在相邻的位置上。那么使得呢，这些买了尿布的这些年轻的爸爸们呢，那么一转身呢，就可以去买自己所心爱的啤酒了。 那么沃尔玛公司是如何得到这条关联规则的呢？事实上，他在做购物栏分析的时候，他把所有的相同用户所 所购买的所有的这些商品呢做了一个组合，然后呢分别对这些组合呢来计算两个度量值，其中的一个度量值呢就叫做支持度，那么另外一个度量值呢，就叫做自信度。下面呢，我们先来介绍第一个度量值，就是支持度， 例如啊，我们把 a 看成是尿布，我们把 b 呢看成是啤酒，那么一条关联规则，也就是说买了尿布有多大可能性会继续去买这个啤酒的可能性，也就说它的知识度是多少呢？我们通过这个公式来进行计算。 首先啊，我们在购物栏中去统计一下同时购买了尿布和啤酒的这样的一个商品数量的总和。然后呢，我们再去 图上什么呢？购物栏当中所有购买商品的这个个数的总和，那么通过这个百分比，我们就可以衡量出来，同时购买了啤酒和尿布的这些商品呢，占所有的购买商品的它的一个百分比是多少？ 有了知识度啊，还不够，我们还需要计算自信度。什么是自信度呢？假设我们还是用 a 来代表尿布， b 呢来代表啤酒，那么对于这条关联规则，他的自信度的计算公式呢？就是这样的一个计算过程， 我们对比一下知识度，我们发现分子呢，两者是相同的，而分母呢发生了变化。此时啊，它意味着我们还需要统计在购买了 a 的这样的一个 总数的情况下，同时购买了 a 和 b， 它的百分比是多少。那么通过这个自信度计算，我们进一步的考察了一下这个关联规则呢，它的有效性。 下面我们给大家举个例子，比如说啊，我们这个时候有一条关联规则，我们购买了计算机以后，有多大的可能性会去购买什么呢？经济管理软件， 这个时候我们计算了他的知识度呢是等于百分之二，他的自信度呢是等于百分之六十，什么意思呢？其实啊，这个知识度告诉我们， 那么在所有的购买行为当中呢，有百分之二的这个人呢是同时购买了计算机和财务管理软件，那么自信度呢进一步的告诉我， 我们在购买了计算机的这些客户当中呢，有百分之六十的这些客户呢，同时也购买了财务管理软件，所以这就是什么呢？支持度和自信度呢，给我们来解释了一下这个关联规则它的有效性， 那么我们如何在大型的数据库当中去找到有效的关联规则来进行推荐呢？那么也就是说这些规则啊，必须满足于系统设定的最小的支持度和最小的可信度， 那么有很多的关联规则的算法，那么大家可以看一下，有这么多的这些算法，那么我们在后边的课程里边呢，会一一的给大家进行讲解。

好，这节课我们来讲 apply 实现关联规则挖掘。首先我们看到有这样的一张表，然后对于这个交易代号零，一二三四代表的是啊， 每一次交易，也就是每一次购买的一个商品。然后第二列商品就是比如地零次地啊，交易代号为零的时候，他买了哪些商品，交易代号为一的时候买了哪些商品。是这样的一个数据表。 然后我们首先来看到关联规则的一个一些基本概念。对于这个项，也就是说对于购物栏里面的一种商品，就是一个项。比如这个图啊，图片，也就这个表 里面的豆奶，它就是一个交易代号为零的一个项，也就是其中的一个商品。然后蜗具也是一个，也是这个数据集里面的一个项。 那么像极，像极就是包含若干个像的一个极和，他是一个飞空的极和。比如在上面豆奶和蜗居，他是一个像极，然后下面蜗居，尿布、葡萄酒、甜菜，他也是属于一个像极的。 如果像豆奶、蜗居，他们是一个像极，并且这个像极里面有两有两个像组成的一个像极，那么就叫做二像极，三个像组成的一个像极 就叫做三相极。然后接下来就是 support， 也就是支持度。支持度是指在所有相极中 a、 k、 s、 y 出现的可能性。也就是说极相极中同时含有 a、 k、 s 和 y 的一个概率。 那么对于这个 support， 它的一个计算方式就是比如 support x， y， 也就是说同时购买 x 和 y 的订单数除以总订单数。 所以对于这上面的这个数据里啊，数据集里面，比如我想计算豆奶的一个 sport， 也就是计算豆奶的一个支持度。那么我就去查看啊，对于这个相机，有豆奶的啊， 后有 b 零，交易代号为零的有，然后还有二的也有，三有四有，也就是有 一二三四，也就是有四个四啊，四个相机都包含了豆奶，那么总共的相机个数有五个，所以他的对于豆奶的一个 sport 支持度就是四除以五等于零点八。 那么对于豆奶蜗居这个像极的一个知识度就是比如对于地零代，交易代号为零，它是包含了豆奶和蜗居的， 然后交易单号为二，也包含啊，交易单啊，交易单号为三，也就是这个数 数据。还有这个数据还有交易代号为四的，这个数据，也就是有三行数据，它是包含了蜗距和动 啊三行数据，它是同时包含了蜗距和豆奶的，然后总共的数据行是五个。所以对于豆奶蜗距这一项级的一个支持度就是三除以五等于零点六。 对于这个支持度来说的话，一般是按照相极 k 值的增加而减少。什么意思呢？意思就是比如 啊，当这个像极只有一个的时候，比如只有豆奶的时候，那么他的支持度是零点八，当我增加了一个，也就是说当我在原来一个像的基础上增加了一个像， 想比如我增加了蜗距这一项的话，那么他的支持度就变成了零点六了。也就是说随着相机的 k 值，所以这个 k 值就是我们这个相机里面有多少个像， 也就这个 k 值的 k， 也就这个 k 就是我们的多少个项。随着项数的增加，而它的一个支持度一般是会减少的。 然后对于知识度，它是表示一个频率，也就是比如 done done 在整个数据集，它出现了一个频率，一个频啊一个概率， 下一个就是至限度。至限度的意思就是表示购买 x 的电单中同时购买 y 的比例。 也就是说同时购买 x 和 y 的订单总数占购买 x 的订单的比例。对于这个自信度他有。比如 x 箭头， y 代表的是啊，同时购买 x 和 y 的一个订单数占 a 占 x 的一个比例。那么下面的 y 箭头 x 的代表的意思是同时购买 x 和 y 的订单数占 y 占购买 y 的一个订单的比例。 所以对于这两个自限度的这个公式的话，他是有两种算法的。并且如果他的一个电单数他们不一样的话，那么得到的结果也是不一样的。自限度他表示的是强度，比如尿布和 尿布相对啊，葡萄酒相对于尿布的一个致限度。就是啊，对于这个数据即包既啊包含了尿布和葡萄酒。 对于这个数据集包含包含了尿布和葡萄酒的有交易代号为零的，交易代号为二的，三的，也就是有三个数据。然后是积是对这个箭头左边的这个尿布，所以 这个三代表的是一个数。上面的数据里面每一行啊一行数据里面既包含了尿布，也包含了葡萄酒的这个个数，也就是三行有这个是包含了尿布和葡萄酒。那么这个四的话， 代表的是这个数据包含了尿布的这个行数。比如啊 d 交易代号为一的，为二的，为三的，为四的，所以它是有四个数，四个数据的也就四个行数。那么它的一个 葡萄酒，相对于尿布来说，它的一个自限度就是三除以四等于零点七五。 所以我们就对应了 x one， 也就是说对于这个尿布，它是一个 x。 然后葡萄酒它是一个 one， 也就同时购买了尿布和葡萄酒的一个个数。订单数就是三个。然后购买了葡啊， 只购买了尿布的这个 go， 这个变单数就是四个，那么它的一个支质限度就是零点七五。

搞懂关联规则，预防关联问题，防患于未然。为了避免关联呢，我们要先清楚有哪些操作会导致关联。首先第一个呢，就是硬件要求，不同的店铺不可以在同一个设备上登陆，这个是很关键的，一旦登陆了，那就会被亚马逊关店铺了。 其次呢是干净专属的软环境，也就是网络环境，假设两个不同的设备连接了同一个网络，那这时候呢，亚马逊可能会给你打个标记，这个操作呢，不会造成立马关店， 因为要买讯会担心有误判，比如说两个人都去到了同一家咖啡厅，连接了那里的 wifi。 第三个呢是注册资质公司的法人股东，手机号，邮箱、信用卡之类的呢，也注意千万不要撞上了， 用了这些呢，被关联的风险就会大大的降低了。那在注册好店铺以后，为了方便管理，在一个电脑登陆多个店铺，我们可以使用子鸟浏览器或者是安全卫视的浏览器啊，去购买这样一个虚拟的远程电脑，这样的话呢，我用一个电脑远程控 另外一个，这时候登录两个店铺就没有安全性的问题了，一定要注意，避免从开始注册店铺的时候就给后期埋下隐患。有人问说，那用普通的 vpsvpn 到底行不行呢？这里呢，建议大家使用亚马逊云， 我们在跨境卫视或资料浏览期中都可以买到亚马逊云，为什么用这个呢？因为亚马逊云的 ip 地址是经过他们筛选的，确定没有开过店的 ip 地址， 其他平台的云呢，肯定也是可以用的，但他是不确定的，还是会有一定的风险，这就是为什么我们说用安全卫视这种浏览器呢？ 因为它里面是可以选择的，你可以选择亚马逊云或者是腾讯云，而且它针对于这种亚马逊防关联的规则确实做了一些优化，比如说有风险的时候他会提示你避免你登陆，这个还是比较不错的。这里是大鹏说会计，我们下次再见。

好，这节课我们来讲 apply 类实现关联规则挖掘。首先我们看到有这样的一张表，然后对于这个交易代号，零一、二、三、四代表的是啊 每一次交易，也就是每一次购买的一个商品。然后第二列商品就是比如地零次地啊，交易代号为零的时候他买了哪些商品，交易代号为一的时候买了哪些商品，是这样的一个数据表。 然后我们首先来看到关联规则的一个一些基本概念，对于这个项，也就是说对于购物栏里面的一种商品就是一个项，比如这个图啊图片也就这个表 里面的豆奶，它就是一个交易代号为零的一个项，也就是其中的一个商品。然后蜗具也是一个，也是这个数据集里面的一个项。 那么像极，像极就是包含若干个像的一个极和，他是一个飞空的极和。比如在上面豆奶和蜗居，他是一个像极，然后下面蜗居尿布、葡萄酒、甜菜，他也是属于一个像极的。 如果像豆奶、蜗居，他们是一个像极，并且这个像极里面有两，有两个像组成的一个像极，那么就叫做二像极，三个像组成的一个像极 就叫做三相极。然后接下来就是 support， 也就是支持度，支持度是指在所有相极中 a、 k、 s、 y 出现的可能性，也就是说极相极中同时含有 a、 k、 s 和 y 的一个概率。 那么对于这个 support， 它的一个计算方式就是比如 support x， y， 也就是说同时购买 x 和 y 的订单数除以总订单数。 所以对于这上面的这个数据里啊，数据集里面，比如我想计算豆奶的一个 sport， 也就是计算豆奶的一个知识度，那么我就去查看啊，对于这个相机有豆奶的啊， 后有 b 零，交易代号为零的有，然后还有二的也有，三有四有，也就是有 一、二、三四，也就是有四个四啊，四个相机都包含了豆奶，那么总共的相机个数有五个，所以他的对于豆奶的一个 support 支持度就是四除以五等于零点八。 那么对于豆奶蜗居这个像极的一个知识度，就是比如对于地零代交易代号为零，它是包含了豆奶和蜗居的， 然后交易单号为二，也包含啊，交易单啊，交易单号为三，也就是这个数 数据，还有这个数据，还有交易代号为四的这个数据，也就是有三行数据，它是包含了蜗距和都 啊三行数据，它是同时包含了蜗距和豆奶的，然后总共的数据行是五个，所以对于豆奶蜗距这一项级的一个支持路就是三除以五等于零点六。 对于这个支持度来说的话，一般是按照相极 k 值的增加而减少，什么意思呢？意思就是比如 啊，当这个像极只有一个的时候，比如只有豆奶的时候，那么他的支持度是零点八，当我增加了一个，也就是说当我在原来一个像的基础上增加了一个像， 想比如我增加了蜗距这一项的话，那么他的支持度就变成了零点六了。也就是说随着相机的 k 值，对于这个 k 值，就是我们这个相机里面有多少个像， 也就这个 k 值的 k， 也就这个 k 就是我们的多少个项，随着项数的增加，而它的一个支持度一般是会减少的。 然后对于知识度它是表示一个频率，也就是比如豆奶，豆奶在整个数据集它出现了一个频率，一个频啊，一个概率。

揭秘一个肮脏至极的资本玩法，利用银行规则套取不法贷款，从此不再缺钱，先保存收藏，这个内容太过赤裸，可能会被下架。首先注册几家公司，互为上下游，招聘些员工，正常缴纳社保，正常签订业务合同，正常开票纳税，行程流水。这里有个重点，就是你不能是任何一家公司的法人或股东， 每个公司都单独出来，不能交叉持股，不能出现员工混同、资产混同、业务混同这个底层落地，就是一定不能被发现是关联方，这样就形成了被你控制的有机闭环。就这样运作六个月后，你就可以逐步去银行申请业务了，因为你是正常开票纳税的企业， 银行会给你一定额度的授信，然后放款通过第三方支付到你的其他公司上，这样你又形成了有效流水的笔环，继续滚动。假如你有五家这样的公司，每家纳税十万元，你每家就能做三百万，合起来就是一千五百万。然后 你让这样的公司再相互签订合同，形成一部分利润，让银行看起来你的生意越做越大，越做越好。到时候银行可能会根据你的业绩增长，给你增加你的授权额度，这样你控制的资金就会越来越多， 如果顺利的话，你就这样一直玩下去，自己跟自己玩。其实我说的这个呀，对任何行业都一样，只不过你要敢做，就离银手镯去踩缝纫机不远了。所有暴力赚钱的买卖都写在刑法里了，只不过是有命赚没命花而已。所以多学点正路的吧。创业致富搞起伏，关注高瑞，一起创收！