在机器学习中，常用的主题有分类,回归，聚类和关联分析。而关联分析，在实际中的应用场景，有部分是用于商品零售的分析。在Spark中有相应的案例
在关联分析中，有一些概念要熟悉。 频繁项集，关联规则，支持度，置信度，提升度。其中 频繁项集(frequent item sets) 是经常出现在一块的物品的集合，关联规则(association rules) 两种物品之间可能存在很强的关系
1)支持度 support (x => y) = P(x y) = freq(x y）/total = confidence (x=>y)* freq(x)/total， 事件x和事件y共同出现的概率；用频次也可以计算，也可以通过置信度计算
2)置信度 confidence (x => y) = P(y|x) = freq(xy)/freq(x)， ，出现事件x的事件中出现事件y的概率；
3)提升度 lift (x => y) = P(y|x)/P(x) = P(xy)/(P(x)*P(y)) = confidence (x=>y)*total/ freq(y)，出现x的条件下出现事件y的概率和没有条件x出现y的概率
4) item_two(x=>y) = confidence (x=>y)* freq(x)，出现x的条件下出现事件y的概率和没有条件x出现y的概率
主要涉及概率中的乘法公式。条件概率公式，上述的这些知识点可以复习一下基本的概念
实现的算法有两种。apriori 和FP-growth 其中 Apriori及其变形算法需要多次扫描数据库，并需要生成指数级的候选项集。FP-growth 算法通过构建FP-tree来压缩事务数据库中的信息，从而更加有效地产生频繁项集 （Frequent Patterns）。在这些主要是使用这些算法来驱动业务，所以 主要关注FP-growth 解决实际的频繁项集和关联规则挖掘问题。Demo的具体实现参考了Spark的案例，做了部分修改。在生产环境中，基本上要和业务对接，然后针对具体的场景，做参数的调节和关注输入数据的各种数据预处理。
import java.util.Arrays;
import java.util.List;
import org.apache.spark.ml.fpm.FPGrowth;
import org.apache.spark.ml.fpm.FPGrowthModel;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.types.*;
import static org.apache.spark.sql.functions.col;
import static org.apache.spark.sql.functions.lit;public class JavaFPGrowth {
public static void main(String[] args) {
SparkSession spark = SparkSession
.builder()
.master("local[2]")
.appName("JavaFPGrowth_spark2.3")
.getOrCreate();
//设定本地日志
spark.sparkContext().setLogLevel("WARN");List<Row> data = Arrays.asList(
RowFactory.create("1", Arrays.asList("1 2 5".split(" "))),
RowFactory.create("2",Arrays.asList("1 2 3 5".split(" "))),
RowFactory.create("4",Arrays.asList("6".split(" "))),
RowFactory.create("3",Arrays.asList("1 2".split(" ")))
);
StructType schema = new StructType(new StructField[]{
new StructField("user", DataTypes.StringType, false, Metadata.empty()),
new StructField(
"items", new ArrayType(DataTypes.StringType, true), false, Metadata.empty())
});
Dataset<Row> itemsDF = spark.createDataFrame(data, schema);
long lengthdata = itemsDF.count();FPGrowthModel model = new FPGrowth()
.setItemsCol("items")
.setMinSupport(0.1)
.setMinConfidence(0.6)
.fit(itemsDF);// Display frequent itemsets.
// | items|freq
Dataset<Row> ItemFreq = model.freqItemsets().withColumn("total", lit(lengthdata));
ItemFreq.show();
ItemFreq.createOrReplaceTempView("test_freq_view_d");// Display generated association rules.
// antecedent 表示前项 consequent 表示后项 confidence 表示规则的置信度
Dataset<Row> ItemRules = model.associationRules() ;
// 计算支持度
Dataset<Row> res = ItemFreq.join(ItemRules, col("items").equalTo(col("antecedent")), "inner");
Dataset<Row> supportDF = res.withColumn("support",col("freq").divide(lengthdata).multiply(col("confidence")));
//使用视图sql方式 计算支持度 提升度
ItemRules.createOrReplaceTempView("test_rules_view_d");
String support_sql = "select tt1.antecedent, tt1.antecedent_freq " +
", tt1.consequent , tt2.freq as consequent_freq " +
" , tt1.total , tt1.two_item_freq , tt1.support , tt1.confidence " +
" , tt1.confidence * tt1.total/ tt2.freq as lift " +
" from(select t2.freq as antecedent_freq, t2.total, t2.freq/t2.total*t1.confidence as support, " +
" t2.freq*t1.confidence as two_item_freq, " +
" t1.antecedent, t1.consequent, t1.confidence " +
"from test_rules_view_d t1 inner join test_freq_view_d t2 " +
"on t2.items = t1.antecedent)tt1 inner join test_freq_view_d tt2 " +
"on tt2.items = tt1.consequent";
Dataset<Row> suppoerdf = spark.sql(support_sql);
suppoerdf.show();// items | prediction|
model.transform(itemsDF).show();spark.stop();
}
}
以上是实现的代码，也就是根据 model.freqItemsets() 和 model.associationRules() 的计算结果来计算其他相关的数据，在这里保留了两种查询风格 DSL与SQL，一种是使用DSL的方式。一种是createOrReplaceTempView 使用SQL的方式来实现。很多示例都是scala语言写的,而Java的方式有所不同，尝试一下基本就可以确定。
参考：
频繁项集与关联规则 FP-growth 的原理和实现 https://developer.ibm.com/zh/articles/machine-learning-hands-on2-fp-growth/