3、关联规则的类型：强关联规则、弱关联规则、正相关与负相关规则、无效规则
好，咱们接着聊。上一节我们把支持度、置信度、提升度这几个核心指标讲透了。这节咱们来看看，这些指标组合在一起，到底能把关联规则分成哪几类。
说实话，我刚入行那会儿，以为只要支持度和置信度够高，这条规则就是好规则。后来在电商项目里吃过亏，才发现事情没那么简单。你想想看，一条规则在数据上表现很好，但实际业务中可能完全是个坑。
嗯，这里咱们就把关联规则分成四大类来聊：强关联规则、弱关联规则、正相关与负相关规则、无效规则。
3.1 强关联规则
强关联规则，说白了就是「既常见又靠谱」的规则。它需要同时满足两个条件：
- 支持度够高 —— 说明这个组合不是偶然现象
- 置信度够高 —— 说明前件出现时，后件大概率也跟着出现
我在项目中一般会这样设定阈值：支持度 ≥ 0.05，置信度 ≥ 0.6。当然，这个值要看具体业务场景。超市数据可能支持度设低一点，因为商品种类太多。
举个例子：
「购买啤酒 → 购买尿布」这条规则，支持度 0.08，置信度 0.75。
这意味着：8% 的订单同时包含啤酒和尿布，而且买了啤酒的顾客中，75% 也买了尿布。这就是典型的强关联规则。
强关联规则是我们做购物篮分析时最想找到的东西。它们可以直接用来做商品捆绑销售、货架摆放优化。
3.2 弱关联规则
弱关联规则，就是支持度或置信度有一项不达标。这类规则在实际业务中价值不大，但偶尔也能挖出一些有意思的东西。
弱关联规则分两种情况：
- 支持度低，置信度高：比如「购买高档红酒 → 购买鱼子酱」，置信度可能高达 90%，但支持度只有 0.001。说明这个组合虽然很靠谱，但太罕见了，对整体业务贡献有限。
- 支持度高，置信度低：比如「购买牛奶 → 购买面包」，支持度可能很高（很多人同时买这两样），但置信度只有 0.3。说明买了牛奶的人，只有三成会买面包，这个关联其实很弱。
我的经验：弱关联规则不要直接扔掉。我曾经在一个零售项目中，发现一条支持度很低但置信度极高的规则，后来发现那是一小群高端客户的消费习惯。虽然量不大，但客单价极高，值得单独做营销策略。
3.3 正相关与负相关规则
这里就要用到提升度（Lift）了。提升度是判断正负相关的关键指标。
| 提升度值 | 相关类型 | 含义 |
|---|---|---|
| Lift > 1 | 正相关 | A 出现会促进 B 出现 |
| Lift = 1 | 独立 | A 和 B 没有关联 |
| Lift < 1 | 负相关 | A 出现会抑制 B 出现 |
正相关规则：提升度大于 1。比如「啤酒 → 尿布」的提升度是 1.8，说明买了啤酒的人买尿布的概率，是普通顾客的 1.8 倍。这就是我们最想找的规则。
负相关规则：提升度小于 1。这个容易被忽略，但其实很有价值。比如「购买可乐 → 购买矿泉水」的提升度是 0.6，说明买了可乐的人反而不太会买矿泉水。为什么？因为可乐本身就是解渴的，顾客不需要再买水了。
注意：负相关规则不是「没用」，而是「反向有用」。我曾经帮一个超市做分析，发现「购买薯片 → 购买口香糖」是负相关。后来调整了货架，把口香糖放在收银台，薯片放在零食区，反而提升了整体销量。因为顾客买薯片时不会想到口香糖，但结账时顺手就拿一包。
3.4 无效规则
无效规则，就是那些看起来像关联，实际上毫无意义的规则。这类规则是数据挖掘中的「噪音」，需要特别警惕。
无效规则常见的情况：
- 提升度接近 1：说明两个商品之间没有实际关联，只是各自卖得好而已。
- 置信度虚高但提升度低：比如「购买牛奶 → 购买面包」，置信度可能 0.7，但提升度只有 1.05。为什么？因为面包本身卖得就好，不管买不买牛奶，买面包的人本来就多。
- 业务上毫无逻辑：比如「购买打印机 → 购买香蕉」，即使数据上支持度和置信度都达标，这种规则也没有任何业务价值。
避坑指南：我曾经在一个项目中，跑出来一条规则「购买手机壳 → 购买手机」，支持度 0.12，置信度 0.95，看起来很强。但仔细一想，这完全是废话——买了手机的人才会买手机壳。这种规则就是典型的「伪关联」，因为手机壳和手机在购买时间上存在天然的先后顺序，而不是真正的购物篮关联。
怎么避免无效规则？我个人习惯用三个指标一起看：支持度、置信度、提升度。只有三个指标都合理，我才会把这条规则纳入考虑范围。
3.5 小结
这四种规则类型，在实际项目中是这样用的：
- 强关联规则：直接落地，做捆绑销售、推荐系统。
- 弱关联规则：筛选后保留，用于小众市场或长尾商品。
- 正相关规则：重点挖掘，这是购物篮分析的核心产出。
- 负相关规则：反向利用，调整货架布局或促销策略。
- 无效规则：直接过滤，别浪费时间。
嗯，这节的内容就到这儿。下一节咱们聊聊怎么用 Python 把这些规则真正跑出来，到时候我会手把手带你们写代码。