相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度，是研究随机变量之间的相关关系的一种统计方法。所讨论的变量的地位一样，分析侧重于随机变量之间的种种相关特征。例如，以X、Y分别记小学生的数学与语文成绩，感兴趣的是二者的关系如何。

复相关：研究一个变量 x0与另一组变量 (x1,x2,…，xn)之间的相关程度。例如,职业声望同时受到一系列因素（收入、文化、权力……）的影响，那么这一系列因素的总和与职业声望之间的关系。

回归分析：所关心的是一个随机变量Y对另一个（或一组）随机变量X的依赖关系的函数形式。感兴趣的是由 X去预测Y。

关联挖掘（Pattern Analysis）
http://www.hudong.com/wiki/%E5%85%B3%E8%81%94%E8%A7%84%E5%88%99

频繁项集：项集（项的集合）的相对支持度P（A 并 B）满足预定义的最小支持度的。
关联规则：对频繁模式的形式表示，如频繁项集(computer, antivirus_software)可表示为：
        computer => antivirus_software [support = 2%, confidence = 60%]
其中，support=P(C并A) 是相对支持度，表示规则的有用性；confidence=P(A|C) 是置信度，表示规则的确定性。

规则根据维度分类，可分为：
       单维关联规则，如buys(X, computer) => buys(X, antivirus_software)，
       多维关联规则，如age(X, 20-30) ^ income(X, 42K-49K) => buys(X, high resolution TV).
根据规则集中，规则是否涉及不同抽象层的项或属性来分类，可分 单层关联规则和多层关联规则。多层举例如：
       buys(X, computer) => buys(X, HP_printer)
       buys(X, laptop_computer) => buys(X, HP_printer)

从关联挖掘到相关分析
仅使用支持度和置信度度量来挖掘关联，导致产生大量规则，其中大部分是用户不感兴趣的。使用相关度量来扩展支持度-置信度框架，导致相关规则的挖掘。

转载本文请联系原作者获取授权，同时请注明本文来自龚书科学网博客。
链接地址：https://blog.sciencenet.cn/blog-248173-227967.html

上一篇：判别模型 和 生成模型
下一篇：SVD