R语言数据挖掘-关联规则挖掘（1）
一、分析目的和数据集描述
研究的数据是美国某一地区保险费用历史数据。各字段分别对应客户年龄（即客户的实际年龄）、客户性别（即客户的生物学性别）、BMI值（即客户的体重指数）、家庭人数（即客户的家庭成员数量）、吸烟状态（即客户是否吸烟）以及居住地区的保险收费。
本文旨在探讨年龄、性别等变量以及体重指数、孩子数量等因素对保险费支出的影响程度，并重点关注其中具有显著关联的因素。在上述分析过程中，请确定哪些变量对保险费用之间的相关性最强
探讨影响保险费支出的相关因素时，该文采用了R语言的数据挖掘-关联规则挖掘Apriori算法。
具体使用和详细用法如下：
二、导入数据集
df<-read.csv('f:/桌面/insurance.csv')
head(df)
三、导入关联规则挖掘用到的分析程序包
library(arules) #提供执行数据关联规则挖掘功能的工具包
library(arulesViz) #专为关联规则挖掘而设计的可视化程序包
library(dplyr) #提供了高效的数据处理与分析功能，在后续操作中我们将会使用其中的管道运算符 %>%
library(ggplot2) #提供了强大的数据可视化功能
四、查看数据集
查看体重指数的分布情况，使用直方图：
ggplot(df,aes(x=bmi))+
geom_histogram(binwidth=5,fill='lightblue',colour='black')
由于所分析的数据集无缺失值，则下一步将是将数据各变量归类为因子型，并涉及建立规则关联函数。
apriori()要求的。
五、将数据集的变量转换为因子型
df <- df %>%
mutate(将年龄变量转换为因子类型，并根据给定的分界点（0,25,50,75,100）进行分组) %>%
mutate(性别字段也被转换为因子类型) %>%
mutate(将BMI值分类处理，并按照（0,15,30,45,60,75）的区间进行分组) %>%
mutate(儿童数量字段被转换为因子类型) %>%
mutate(吸烟状态字段也被转换为因子类型) %>%
mutate(地区字段也被转换为因子类型) %>%
mutate(保险费用值被分类处理，并按照（0,13000,26000,39000,6500）的区间进行分组)
在这里调用了管道操作，并按照区间对年龄、健康评分以及保险支出进行了分类处理。具体而言，在处理过程中将年龄划分为4个区间，在健康评分上则分为5个层级，在保险支出方面则划分为了4个档次。随后针对这些分类后的数据字段应用了as.factor()函数将其转化为分类变量
六、对保险费用数据集进行关联分析
rules <-apriori(df,parameter = list(supp=0.1,conf=0.8))
summary(rules)
运行得到了各规则的描述性统计量，共生成了80条规则。支持度为0.1，置信度为0.8.
查看关联分析结果：
options(digits=4)
inspect(head(rules,by='lift'))
运行得到了按提升值排序后的6条规则。
例如，在第一条中，家庭成员的年龄在0至25岁之间且没有孩子，并且是非吸烟家庭的情况下, 保险费用支出的最低水平的支持度为0.1121；其置信水平达到94.34%.
关联规则分析可视化
plot(rules)
七、指定后项集的关联挖掘分析
后项目集被设定为保险费用支出charges=(39000,6500]区间内
rules_rhs_highrank <- apriori(df, parameters = list(support = 0.02, confidence = 0.5),
appearance = list(right-hand-side = c('charges=(39,000至65,000]')),
controls = list( verbose = F ))
inspect(head(rules_rhs_highrank,by='lift'))
查看分析结果：
从分析结果来看：年齡较大、體重偏高、吸烟等相關因素與保險費用支開顯著關聯。
inspect(head(rules_rhs_highrank[!is.redundant(rules_rhs_highrank)],by='lift'))
去除规则冗余后的结果如下：
2、设定后项集为保险费用支出charges=(0,13000]的形式，并旨在探究最低层级的保险费用支出的相关影响因素。
该代码使用Apriori算法从提供的数据框df中提取关联规则，并设定支持度阈值为0.1、置信度阈值为0.5以及右侧项列表包含一个条件：'charges'取值范围从'0到13,000美元'。同时该算法还设置了控制参数以仅不打印信息。
inspect(head(rules_rhs_lowrank,by='lift'))
运行得到：
从结果可以看到，年龄较小，无孩子，不吸烟，是女性的保险费用支出较少。