1.2相关系数

相关系数和卡方检验的正负关联规则挖掘算法胡志冬【摘要】随着经济全球化和信息技术的发展,为了给企业发展提供更多的信息支持和决策帮助,数据中心纷纷建立起来,其作用是通过分析海量数据来为企业的政策趋向和战略选择提供意见佐证.但是,要想在庞大的数据海洋中获取数据间的相关性依赖并非易事,而且,传统的关联规则算法通常并不完善,产生的规则通常会包含一些没有意义甚至错误的规则,即所谓的弱规则与负规则.针对这种现状,提出一种度量正负关联规则的检验方法,并引入赋予不同权重值给不同数据库的方式,提高在水平多数据库中挖掘正负关联规则的效率.【期刊名称】《微型机与应用》【年(卷),期】2013(032)016【总页数】4页(P64-67)【关键词】数据挖掘;正负关联规则;多数据库【作者】胡志冬【作者单位】辽宁师范大学计算机与信息技术学院,辽宁大连116029【正文语种】中文【中图分类】TP311数据挖掘（Data Mining)是从数据准备到知识评价的一个流程体系，在海量的数据中获取感兴趣的信息。

关联规则的挖掘是数据挖掘研究的重要方向之一，通过数据间隐含的依赖性关系生成知识。

目前多数工作的重心都放在了A⇒B的正关联规则研究上，而对于形如A⇒┐B、┐A⇒B、┐A⇒┐B(一般此类规则作用较小)的负规则研究很少，但负关联规则同样包含着巨大的信息量，对企业的战略决策选择同样起着至关重要的作用。

1 相关工作1.1 概念与定义在支持度-置信度的框架下，关联规则中只有同时满足支持度与置信度的规则才是强规则，即具有良好预测性的规则。

从概率的角度重新定义支持度和置信度为：定义1支持度是指数据库中同时包含A和B的概率。

也就是说，如果在数据库D 中包含A又包含B的事务集占总事务集的n%，则规则A⇒B的支持度为n。

定义2置信度是A成立的条件下B也为真的条件概率，也就是说，如果数据库D 中包含A又包含B的事务集占只包含A的事务集的m%，则规则A⇒B的置信度为m。

甲烷* 1.7> 1.3 1.9 1.7 1.3 1.5 1.3 2.3 1 1.9 1 1.1 1.9 1.6 2.2 2.1 2.5
戊烷* 0.9 0.7 1 0.9 0.7 0.8 0.7 1.2 0.5 1 0.5 0.6 1 0.8 1.1 1.1 1.3 1.2 0.9 1.5
例如：仪器已经过甲烷校准，当前在戊烷空气中的显示读数为 10%LEL。如需得出戊烷的实际LEL，请将其乘以甲烷栏（校准气体）与 戊烷行（采样气体）相交处看到的数字，从而得出1.9。因此，戊烷的实际LEL 为19%（10 x 1.9）。 乘式准确率为+/-25%（可能因其他待定测试而做出变动，此类情况恕不另行通知）。
LEL相关系数 标准气体 丁烷 己烷* 1 0.7 0.7 0.6 1.1 0.8 1 0.8 0.8 0.6 0.8 0.6 0.8 0.6 1.3 1 0.6 0.4 1.1 0.9 0.6 0.4 0.6 0.5 1.1 0.9 0.9 0.7 1.3 1 1.2 0.9 1.5 1.1
氢* 1.7 1.3 1.9 1.8 1.3 1.5 1.4 2.4 1 2 1 1.1 2 1.6 2.2 2.1 2.6
丙烷* 1.1 0.8 1.2 1.1 0.8 0.9 0.9 1.4 0.6 1.2 0.6 0.7 1.2 1 1.4 1.3 1.6
可燃气体的爆炸下限 丙酮 含量2.5% 乙炔 含量2.5% 苯 含量1.2% 丁烷 含量1.9% 丁醇 含量1.4% 二乙醚 含量1.9% 乙烷 含量3.0% 乙醇（酒精） 含量3.3% 乙烯 含量2.7% 环氧乙烷 含量2.7% 己烷 含量1.1% 氢 含量4.0% 异丙醇 含量2.0% 甲烷 含量5.0% 甲醇 含量6.0% 甲基乙基酮 含量1.4% 正戊烷 含量1.4% 丙烷 含量2.1% 丙烯 含量2.0% 苯乙烯 含量0.9% 甲苯 含量1.1% 二甲苯 含量1.1% (% 气量浓度) x (100) --------------------------------------------% 爆炸下限(% LEL) = 爆炸下限%（以含量计）

correl相关系数强弱标准全文共四篇示例，供读者参考第一篇示例：相关系数是用来衡量两个变量之间关联程度的一种统计指标。

它可以告诉我们一个变量的变化如何影响另一个变量的变化。

通常情况下，相关系数的取值范围是-1到1之间。

相关系数越接近1，表示两个变量之间的线性关系越强；相关系数越接近-1，表示两个变量之间呈现负相关关系；相关系数接近0表示两个变量之间没有线性关系。

在实际应用中，我们通常需要判断相关系数的强弱。

相关系数强弱的判断标准一般是：1. 相关系数为0-0.3，表示两个变量之间关系很弱。

需要注意的是，相关系数只能表明两个变量之间的线性关系，不能反映两个变量之间的因果关系。

在应用相关系数的过程中，我们需要谨慎分析数据和背景信息，避免得出不准确的结论。

一般情况下，相关系数的计算是通过统计软件来完成的，如Excel、SPSS等。

计算相关系数的方法有多种，包括皮尔逊相关系数、斯皮尔曼相关系数、切比雪夫相关系数等。

选择合适的相关系数计算方法可以更好地反映出变量之间的关联程度。

在实际项目中，我们可以利用相关系数来分析不同变量之间的关系，帮助我们做出更准确的决策。

在金融领域，我们可以用相关系数来研究不同投资品种之间的关联性，帮助投资者降低风险；在医学领域，相关系数可以用来研究不同药物之间的相互作用，指导临床治疗。

相关系数是一种重要的统计工具，能够帮助我们分析数据、揭示规律。

通过准确计算相关系数，并根据相关系数强弱进行判断，我们可以更好地理解变量之间的关系，为实际问题的解决提供有力的支持。

【相关系数强弱标准】为我们提供了一个简便的判断标准，帮助我们更好地应用相关系数进行数据分析。

第二篇示例：相关系数是用来表示两个变量之间相关程度的统计量。

在统计学和数据分析中，相关系数通常用来衡量两个变量之间的线性关系强度。

当两个变量之间的相关系数越接近于1，表明它们之间存在更强的线性关系；当相关系数接近于0，则表示它们之间的关系较弱或者根本没有关系。

1.2相关系数-北师大版选修2-3教案
一、教学目标
1.了解相关系数的概念；
2.学习两个变量之间相关系数的计算方法；
3.理解相关系数的数值意义和分析方法；
4.掌握相关系数的应用实例。

二、教学重点
1.相关系数的概念；
2.相关系数的计算方法；
3.相关系数的分析方法。

三、教学难点
1.相关系数的应用实例；
2.相关系数的分析方法。

四、教学步骤
（一）引入
1.老师介绍相关系数的概念；
2.引出本课的主要内容——两个变量之间相关系数的计算方法。

（二）知识讲解
1.老师介绍计算相关系数的方法，包括皮尔逊相关系数和斯皮尔曼相关系数；
2.老师讲解相关系数的数值意义，包括正相关、负相关和不相关。

（三）案例分析
1.老师给出一组数据，引导学生计算相关系数；
2.老师让学生分析计算结果，并结合实际情况进行解释。

（四）课堂练习
1.老师出示几组数据，让学生分组计算相关系数；
2.学生进行小组讨论，分析计算结果。

（五）拓展应用
1.老师介绍相关系数在实际应用中的例子，如相关性分析、回归分析等；
2.学生结合实际案例，分享相关系数在其专业领域中的应用实例。

五、教学反思
本节课的教学目标是让学生学习如何计算两个变量之间的相关系数，并掌握相关系数的数值意义和分析方法。

通过讲解相关系数的概念和计算方法，结合实际案例进行分析，使学生能够灵活运用相关系数解决实际问题。

在课堂练习环节，学生积极参与，对计算结果进行了深入分析，并提出了许多好的建议与反馈，这为我今后的教学提供了很好的参考。