數(shù)據(jù)挖掘在超市大數(shù)據(jù)中的應(yīng)用

梁婧婕+++曹婷

摘 要：大數(shù)據(jù)時(shí)代，各行各業(yè)匯集了龐大的數(shù)據(jù)，如何使這些數(shù)據(jù)得到充分的利用，數(shù)據(jù)挖掘是最關(guān)鍵也是最基礎(chǔ)的工作。在本次研究中，將數(shù)據(jù)挖掘技術(shù)與購(gòu)物籃思想理念相結(jié)合，運(yùn)用R語(yǔ)言，對(duì)南京一家超市五個(gè)月內(nèi)的銷(xiāo)售數(shù)據(jù)進(jìn)行研究分析。具體有65536條數(shù)據(jù)，有31869條銷(xiāo)售記錄，2242種類(lèi)商品，將這些商品分為192小類(lèi)商品，基于食品分類(lèi)規(guī)則將該超市食品分為38類(lèi)。此次研究過(guò)程如下：首先，運(yùn)用R語(yǔ)言，使用編寫(xiě)字典的方式，對(duì)所獲取的數(shù)據(jù)進(jìn)行清洗，生成結(jié)構(gòu)化數(shù)據(jù)。然后，在三方面對(duì)數(shù)據(jù)挖掘。一，數(shù)據(jù)描述性統(tǒng)計(jì)挖掘。二關(guān)聯(lián)規(guī)則挖掘。最后，用圖表的形式展示此次研究的成果。此次煙酒店意義：利用初級(jí)數(shù)據(jù)挖掘的理論支持，幫助企業(yè)更好地分析、了解客戶(hù)，最終贏得客戶(hù)的競(jìng)爭(zhēng)是該研究的重要的意義和實(shí)際應(yīng)用價(jià)值。

關(guān)鍵詞：大數(shù)據(jù)；數(shù)據(jù)挖掘；購(gòu)物籃；超市銷(xiāo)售；關(guān)聯(lián)規(guī)則

一、研究背景

1998年的《哈佛商業(yè)評(píng)論》刊登過(guò)這樣一個(gè)案例，20世紀(jì)90年代美國(guó)沃爾瑪超市中，沃爾瑪超市管理人員分析銷(xiāo)售數(shù)據(jù)時(shí)發(fā)現(xiàn)了一個(gè)令人難以理解的想象：在某些特定的情況下，啤酒與尿布這兩件毫無(wú)關(guān)聯(lián)的商品會(huì)經(jīng)常出現(xiàn)在同一購(gòu)物籃中。1993年美國(guó)學(xué)者Agrawal提出關(guān)于通過(guò)分析購(gòu)物籃中商品集合，從而找出關(guān)聯(lián)關(guān)系的關(guān)聯(lián)算法，并根據(jù)商品之間的關(guān)系，找出客戶(hù)的購(gòu)買(mǎi)行為.Agrawal從數(shù)學(xué)計(jì)算機(jī)算法角度提出了商品關(guān)聯(lián)關(guān)系的計(jì)算方法--Apriori算法。沃爾瑪嘗試將Apriori算法引入到數(shù)據(jù)分析中，并獲得成功，為超市銷(xiāo)售產(chǎn)生了開(kāi)拓性的影響。于是產(chǎn)生了“啤酒與尿布”的故事。

近幾年，數(shù)據(jù)挖掘技術(shù)在零售業(yè)，電信業(yè)，金融業(yè)等許多領(lǐng)域得到了廣泛的應(yīng)用。為了更加清楚地了解學(xué)習(xí)數(shù)據(jù)挖掘在大數(shù)據(jù)環(huán)境下的應(yīng)用。此次，我們對(duì)數(shù)據(jù)挖掘中的部分分析功能在零售業(yè)（基于一小型超市）的應(yīng)用做一些粗略的研究與學(xué)習(xí)，基于關(guān)聯(lián)規(guī)則，購(gòu)物籃，Apriori算法等分析商品銷(xiāo)售狀況，探索出更多的類(lèi)似于啤酒與尿布這樣的規(guī)則等，輔助決策者了解銷(xiāo)售全局，降低庫(kù)存成本，進(jìn)行市場(chǎng)分析等。

二、文獻(xiàn)回顧

數(shù)據(jù)挖掘出現(xiàn)于20世紀(jì)80年代后期，90年代有了突飛猛進(jìn)的發(fā)展。2001年，GartnerGroup的一次高級(jí)技術(shù)調(diào)查將數(shù)據(jù)挖掘和人工智能列為“未來(lái)三到五年內(nèi)將對(duì)工業(yè)產(chǎn)生深遠(yuǎn)影響的五大關(guān)鍵技術(shù)”之首，并且還將并行處理體系和數(shù)據(jù)挖掘列為未來(lái)五年內(nèi)投資焦點(diǎn)的十大新興技術(shù)前兩位。美國(guó)麻省理工學(xué)院在2001年1月份的《科技評(píng)論》（TechnologyReview）提出將在未來(lái)5年對(duì)人類(lèi)產(chǎn)生重大影響的10大新興技術(shù)，其中第3項(xiàng)就是數(shù)據(jù)挖掘。

數(shù)據(jù)挖掘技術(shù)已被廣泛的應(yīng)用于各個(gè)領(lǐng)域。在零售業(yè)領(lǐng)域，很多大型的零售商都采用了數(shù)據(jù)挖掘工具進(jìn)行決策分析，關(guān)聯(lián)規(guī)則挖掘已經(jīng)投入應(yīng)用領(lǐng)域，交叉管理，庫(kù)存控制好客戶(hù)分析設(shè)計(jì)都是零售業(yè)數(shù)據(jù)挖掘的主要內(nèi)容。以沃爾瑪為例他就采用了BO的方案。LuisCavique的購(gòu)物籃分析的可擴(kuò)展算法研究；AndreasMilda，ThomasReutterer提出了一個(gè)改進(jìn)合作過(guò)濾方法以及預(yù)測(cè)二進(jìn)制購(gòu)物籃數(shù)據(jù)的交叉目錄購(gòu)買(mǎi)情況；HorngJinhChangd的基于聚類(lèi)分析和關(guān)聯(lián)規(guī)則分析的潛在客戶(hù)購(gòu)買(mǎi)行為的期望模型研究；FransCoenen，PaulLeng的基于分類(lèi)精確度的關(guān)聯(lián)規(guī)則閾值影響等。

國(guó)內(nèi)對(duì)數(shù)據(jù)挖掘的研究較晚，沒(méi)有形成整體的力量。1993年國(guó)家自然基金首次提出支持?jǐn)?shù)據(jù)挖掘領(lǐng)域的研究項(xiàng)目。目前，國(guó)內(nèi)的許多科研單位和高等院校競(jìng)相開(kāi)展數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)的基礎(chǔ)理論及應(yīng)用研究。復(fù)旦大學(xué)一直從事這方面的研究，朱揚(yáng)勇等把一個(gè)應(yīng)用于特征規(guī)則基于差異化的興趣度定義運(yùn)用到關(guān)聯(lián)給則中，重新設(shè)立了興趣度；武漢科技大學(xué)的張新霞等提出基于統(tǒng)計(jì)相關(guān)性的興趣度量；東南大學(xué)宋愛(ài)波等提出了一種解決規(guī)則組合爆炸問(wèn)題的方法，建立了一個(gè)帶約束規(guī)則挖掘算法的模型，對(duì)Apriorii算法進(jìn)行優(yōu)化。還有其他相關(guān)研究。

但是，當(dāng)前國(guó)內(nèi)零售業(yè)數(shù)據(jù)挖掘工作還處于探索階段。據(jù)了解，許多零售業(yè)企業(yè)使用收賬結(jié)賬設(shè)備獲取的相關(guān)銷(xiāo)售數(shù)據(jù)，都沒(méi)有得到充分利用，這些數(shù)據(jù)本來(lái)都可以幫助零售企業(yè)實(shí)施交叉銷(xiāo)售，控制庫(kù)存，降低庫(kù)存風(fēng)險(xiǎn)等創(chuàng)造更大的商業(yè)價(jià)值，卻被忽略。所以，我們以南京市一家蘇果超市為主體，使用購(gòu)物籃的思想，從數(shù)據(jù)的獲取，到數(shù)據(jù)清洗，再到關(guān)聯(lián)規(guī)則分析等一系列系統(tǒng)的方法，研究與運(yùn)用數(shù)據(jù)挖掘技術(shù)。

三、研究對(duì)象及方法

本研究所用的超市銷(xiāo)售數(shù)據(jù)來(lái)自于南京市某一家蘇果便利店的一個(gè)月內(nèi)的月銷(xiāo)量數(shù)據(jù)。數(shù)據(jù)大約有六萬(wàn)多條。包括商品的單號(hào)，商品銷(xiāo)售時(shí)間，商品名稱(chēng)，銷(xiāo)售單價(jià)，銷(xiāo)售數(shù)量，銷(xiāo)售金額。其中，部分是一個(gè)單號(hào)包含一個(gè)商品，其余為是一個(gè)單號(hào)包含多個(gè)商品。所以，本次研究不僅對(duì)購(gòu)買(mǎi)了一個(gè)商品的購(gòu)物籃進(jìn)行描述分析，同時(shí)也對(duì)購(gòu)買(mǎi)多個(gè)商品的購(gòu)物籃進(jìn)行關(guān)聯(lián)規(guī)則分析。

采用購(gòu)物籃分析方法。購(gòu)物籃分析就是通過(guò)購(gòu)物籃所顯示的交易信息來(lái)研究顧客的購(gòu)買(mǎi)行為，其直觀意義就是顧客在購(gòu)買(mǎi)一種商品的同時(shí)有多大的意愿購(gòu)買(mǎi)另一種商品。研究商品之間的關(guān)聯(lián)規(guī)則。這一規(guī)則中包含兩個(gè)參數(shù)：支持度（support）和置信度（confidence）。支持度（Support）的公式是：Support（A->B）=P（AUB）。支持度揭示了A與B同時(shí)出現(xiàn)的概率。置信度（Confidence）的公式是：Confidence（A->B）=P（A|B）。置信度揭示了A出現(xiàn)時(shí)，B是否也會(huì)出現(xiàn)或有多大概率出現(xiàn)。

四、數(shù)據(jù)清洗

隨著信息技術(shù)的不斷發(fā)展，各行各業(yè)都建立了很多的計(jì)算機(jī)信息系統(tǒng)，所以也就產(chǎn)生了大量的數(shù)據(jù)。當(dāng)需要對(duì)數(shù)據(jù)進(jìn)行分析的時(shí)候，直接獲取的數(shù)據(jù)并不能夠直接進(jìn)行數(shù)據(jù)分析。主要表現(xiàn)在：數(shù)據(jù)冗余、數(shù)據(jù)重復(fù)、臟數(shù)據(jù)等問(wèn)題。為了使得數(shù)據(jù)能夠有效地支持相關(guān)的運(yùn)作與分析，必須對(duì)數(shù)據(jù)進(jìn)行清洗與處理，使之成為結(jié)構(gòu)化數(shù)據(jù)。所以數(shù)據(jù)清洗也就是各種數(shù)據(jù)分析如OLAP（關(guān)聯(lián)分析）、數(shù)據(jù)挖掘的前提與基礎(chǔ)。在R軟件中，通過(guò)建立字典的方式進(jìn)行數(shù)據(jù)的清洗。

我們?cè)趯?duì)超市數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗的方法是構(gòu)建字典，具體步驟如下：

1.建立鏈接：用read直接讀取數(shù)據(jù)所在的文件，建立鏈接。

2.編寫(xiě)字典：根據(jù)商品的貨號(hào)，提取出每一種商品的關(guān)鍵字，定為搜索的字符（searchword）賦予它替換的名稱(chēng)（replacenames），把類(lèi)似的商品給予相同的名稱(chēng)，如：洗衣護(hù)理劑，柔順劑，都給它附名柔順劑。其中，忽略商品的生產(chǎn)廠商。（注：因?yàn)橹饕芯糠较蚺c生產(chǎn)廠商無(wú)關(guān)）這樣的話(huà)，可明確商品類(lèi)型，依據(jù)連鎖超市商品分類(lèi)明細(xì)表指標(biāo)，對(duì)所有的商品進(jìn)行分類(lèi)（categorys），如：家居用品，飲料，調(diào)料制品，糧食類(lèi)等總共38種。

3.名稱(chēng)替換：使用for循環(huán)語(yǔ)句，按照字典里的關(guān)鍵字對(duì)原始數(shù)據(jù)里所有的商品進(jìn)行對(duì)比，測(cè)試，找到相同的賦與替換名稱(chēng)與分類(lèi)。結(jié)果如下（部分）。如果沒(méi)有搜索到對(duì)應(yīng)的關(guān)鍵字，則用other_names代替。這樣，打開(kāi)清除后的數(shù)據(jù)文件，查看清洗后的結(jié)果，對(duì)沒(méi)有與之相對(duì)應(yīng)的關(guān)鍵字的商品再進(jìn)行字典的補(bǔ)充，知絕大部分的商品都搜索到與之相匹配的關(guān)鍵字。這樣，就完成了字典的編寫(xiě)，與得到清洗后的結(jié)構(gòu)化數(shù)據(jù)。

4.數(shù)據(jù)的重組：對(duì)于相同單號(hào)的數(shù)據(jù)合并在一起，則為一個(gè)顧客購(gòu)買(mǎi)的商品。加載reshape程序包，把整體的數(shù)據(jù)打碎（melt），讓其回到一個(gè)一個(gè)數(shù)據(jù)點(diǎn)的狀態(tài)，根據(jù)觀測(cè)的id名稱(chēng)和變量名稱(chēng)定為，再根據(jù)id名稱(chēng)和變量名稱(chēng)進(jìn)行重新的組合，將同一個(gè)顧客買(mǎi)的所有商品都排列到一行。這里，假定購(gòu)買(mǎi)最多的一個(gè)客戶(hù)買(mǎi)了20種商品。在每一行顯示該客戶(hù)所買(mǎi)商品名稱(chēng)，買(mǎi)的不足20種的則用“@”表示。得到的數(shù)據(jù)就是完全清理好的數(shù)據(jù)，保存到新的文件夾.

五、結(jié)果分析

1.數(shù)據(jù)描述性統(tǒng)計(jì)分析

（1）數(shù)據(jù)的基本信息

在65536條銷(xiāo)售數(shù)據(jù)中，分類(lèi)匯總產(chǎn)生結(jié)構(gòu)化數(shù)據(jù)后共有31869條消費(fèi)記錄，其中購(gòu)買(mǎi)一件商品的顧客購(gòu)物籃有19778個(gè)，購(gòu)買(mǎi)一件以上商品的購(gòu)物籃有12091個(gè)，分別占總體銷(xiāo)售數(shù)據(jù)的62.06%和37.94%，購(gòu)買(mǎi)一件商品的比例稍高；在包含一件以上商品的12091個(gè)購(gòu)物籃中，顧客大多購(gòu)買(mǎi)2-4件商品，占總體的88%左右。

通過(guò)分析銷(xiāo)量最多的10種商品發(fā)現(xiàn)，該超市銷(xiāo)售38類(lèi)商品中，銷(xiāo)售量最多的是飲料（19.1%），其次是熟食速食（14.0%），第三是休閑食品（11.5%）。銷(xiāo)量最多的10種商品的銷(xiāo)量占總銷(xiāo)量的81.0%。銷(xiāo)量最少的10種商品的銷(xiāo)售比例只占0.6%，其中最少的三種商品是服裝服飾、鞋帽類(lèi)、土產(chǎn)干貨，其銷(xiāo)量的比例都不到0.02%。

通過(guò)分析銷(xiāo)售金額最多的10種商品，該超市銷(xiāo)售38類(lèi)商品中，銷(xiāo)售金額最多的是煙草（19.8%），其次是飲料（13.9%），第三是蛋奶類(lèi)（9.4%）。銷(xiāo)售額最多的10種商品的占總銷(xiāo)量銷(xiāo)售額比例為82.4%。

2.關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)

（1）總分類(lèi)關(guān)聯(lián)規(guī)則

①由圖1可知，在對(duì)飲料進(jìn)行關(guān)聯(lián)規(guī)則挖掘時(shí)發(fā)現(xiàn)，顧客在購(gòu)買(mǎi)了飲料時(shí)，有可能同時(shí)購(gòu)買(mǎi)蔬果（1.2%），熟食速食（1.3%），營(yíng)養(yǎng)保健品（7.9%），塑料制品（21.6%）與休閑食品（34.3%）。顧客在購(gòu)買(mǎi)飲料時(shí)一般有34.3%的可能性會(huì)同時(shí)購(gòu)買(mǎi)休閑食品，這里的塑料制品被認(rèn)為是塑料袋，這是一般規(guī)則。同時(shí)，顧客還有可能購(gòu)買(mǎi)營(yíng)養(yǎng)保健品，由此推斷，顧客買(mǎi)飲料可能是看望長(zhǎng)輩或家庭宴會(huì)，所以有7.9%的可能性購(gòu)買(mǎi)營(yíng)養(yǎng)保健品。

②由圖2可知，顧客在購(gòu)買(mǎi)休閑食品時(shí)，有1.3%的可能會(huì)同時(shí)會(huì)購(gòu)買(mǎi)餅干糕點(diǎn)或糖果類(lèi)商品，這是我們生活經(jīng)驗(yàn)的一般規(guī)則。同時(shí)發(fā)現(xiàn)，顧客在購(gòu)買(mǎi)休閑食品時(shí)也極有1.33%的可能購(gòu)買(mǎi)蔬果，3.67%的可能性購(gòu)買(mǎi)醬菜。據(jù)推測(cè)，這可能是主婦在為孩子購(gòu)買(mǎi)零食時(shí)，會(huì)購(gòu)買(mǎi)生活必需品。

③根據(jù)圖3，顧客在購(gòu)買(mǎi)調(diào)味制品時(shí)，會(huì)對(duì)糧食和醬菜有需要，購(gòu)買(mǎi)可能性分別為1.5%和4.6%，這是主婦在購(gòu)物時(shí)的一般規(guī)則；同時(shí)發(fā)現(xiàn)，顧客在購(gòu)買(mǎi)調(diào)味制品時(shí)，也可能購(gòu)買(mǎi)家用清潔（2.3%）和個(gè)人潔護(hù)（3.5%）等日用品，這可能是主婦在為家庭內(nèi)添置一些食品，日用品等生活必需品。

（2）明細(xì)分類(lèi)關(guān)聯(lián)規(guī)則

明細(xì)分類(lèi)商3中銷(xiāo)量前5的商品分別為水，香煙，腸，茶和購(gòu)物袋。下面對(duì)香煙，香腸和茶作明細(xì)商品關(guān)聯(lián)規(guī)則分析。

①對(duì)香煙的關(guān)聯(lián)規(guī)則

由圖4可知，香煙與打火機(jī)這兩類(lèi)商品的置信度較高，為3.2%，說(shuō)明此次關(guān)聯(lián)規(guī)則挖掘貼近顧客的日常需求，這是對(duì)一般關(guān)聯(lián)規(guī)則的有效驗(yàn)證。同時(shí)還發(fā)現(xiàn)，顧客在購(gòu)買(mǎi)香煙的同時(shí)，有1.3%的可能性會(huì)購(gòu)買(mǎi)香皂，有1.5%的可能性會(huì)購(gòu)買(mǎi)鞋刷。據(jù)推測(cè)，這可能是由于顧客在購(gòu)買(mǎi)香煙時(shí)會(huì)幫妻子購(gòu)買(mǎi)一些日用品。除此之外，發(fā)現(xiàn)顧客在購(gòu)買(mǎi)香煙時(shí)，對(duì)粥和可樂(lè)的購(gòu)買(mǎi)分別為2.9%和3.5%，有較高的關(guān)聯(lián)度。

②對(duì)香腸的規(guī)則

在對(duì)香腸進(jìn)行關(guān)聯(lián)規(guī)則挖掘時(shí)，由圖5可知，顧客也會(huì)同時(shí)購(gòu)買(mǎi)其他零食，其中對(duì)丸子和鳳爪的購(gòu)買(mǎi)可能性分別為1.9%和1.1%。同時(shí)發(fā)現(xiàn)，顧客在購(gòu)買(mǎi)香腸的同時(shí)有1.03%的可能性會(huì)購(gòu)買(mǎi)杯子。據(jù)推測(cè)，顧客可能是由于要宴請(qǐng)客人所以會(huì)同時(shí)購(gòu)買(mǎi)香腸和水杯等餐桌必需品。

③對(duì)茶的關(guān)聯(lián)規(guī)則

對(duì)茶進(jìn)行關(guān)聯(lián)規(guī)則挖掘，由圖6可知，顧客在購(gòu)買(mǎi)茶時(shí)，購(gòu)買(mǎi)咖啡，可樂(lè)等替代飲品的可能性分別為5.0%和3.6%，擁有較強(qiáng)的可信度，說(shuō)明對(duì)超市商品的分類(lèi)擺放其實(shí)是有助于商品銷(xiāo)售的。同時(shí)發(fā)現(xiàn)，顧客在買(mǎi)茶的同時(shí)，有1.3%的可能性會(huì)購(gòu)買(mǎi)鞋刷，據(jù)推測(cè)這可能是由于妻子在為丈夫購(gòu)茶飲時(shí)，會(huì)同時(shí)買(mǎi)家用清潔用品。

3.時(shí)間序列挖掘

根據(jù)折線(xiàn)圖7，我們推斷出以下結(jié)論：圖中七天每天營(yíng)業(yè)時(shí)間7：00am～21：00pm中，商品銷(xiāo)量和銷(xiāo)售額均先走勢(shì)平緩，之后達(dá)到峰點(diǎn)，隨后下降，即在18：00pm～20：00pm達(dá)到峰點(diǎn)，說(shuō)明此超市在此時(shí)間段人流量最大，推測(cè)可能是18：00pm以后，人們下班回家，會(huì)順便帶生活必需品或休閑食品等需要的商品回家。

由圖8發(fā)現(xiàn)，發(fā)現(xiàn)周銷(xiāo)量和銷(xiāo)售額的變化趨勢(shì)相同，均是由平緩到峰值再下降，且峰值出現(xiàn)點(diǎn)均在18：00pm～20：00pm間，銷(xiāo)售額=銷(xiāo)量×單價(jià)則說(shuō)明在高峰期單價(jià)銷(xiāo)售差別不大，即此超市在18：00pm～20：00pm每日銷(xiāo)售商品類(lèi)似。

六、結(jié)論與建議

通過(guò)對(duì)六萬(wàn)條超市數(shù)據(jù)進(jìn)行挖掘，獲取描述統(tǒng)計(jì)信息，為管理者進(jìn)貨安排給出合理化建議。關(guān)聯(lián)規(guī)則挖掘，在本次研究中發(fā)現(xiàn)，買(mǎi)飲料的人極有可能會(huì)買(mǎi)營(yíng)養(yǎng)保健品；購(gòu)買(mǎi)休閑食品的時(shí)候會(huì)買(mǎi)醬菜；買(mǎi)香煙的人極有可能會(huì)買(mǎi)鞋刷；買(mǎi)香腸的人會(huì)買(mǎi)水杯。根據(jù)得出的這些隱含的規(guī)則，可幫助管理者進(jìn)行更好地貨架拜訪，從而提高超市銷(xiāo)售量，同時(shí)增強(qiáng)顧客的購(gòu)物體驗(yàn)。這一挖掘內(nèi)容延于沃爾瑪?shù)钠【婆c尿布的故事，也是本次研究的重點(diǎn)。其中挖掘到的新的關(guān)聯(lián)規(guī)則是本次研究的創(chuàng)新點(diǎn)。時(shí)間序列分析可得到超市的購(gòu)買(mǎi)高峰期，從而幫助管理者合理的進(jìn)行人員的安排。

研究后發(fā)現(xiàn)，我們可進(jìn)行如下改進(jìn)，在數(shù)據(jù)的獲取方面，在條件允許的情況下獲取更加豐富的數(shù)據(jù)資源，此作為深入研究的必備條件。再者，進(jìn)一步的學(xué)習(xí)關(guān)聯(lián)規(guī)則算法，為研究提供理論支持。最后，多方面的進(jìn)場(chǎng)分析，從客戶(hù)以及決策中兩方面的角度考慮分析，是研究結(jié)果更加全面。

參考文獻(xiàn)：

[1]鄭繼剛.數(shù)據(jù)挖掘研究的現(xiàn)狀與發(fā)展趨勢(shì)[J].紅河學(xué)院學(xué)報(bào)，2010.

[2]袁劍秋.基于關(guān)聯(lián)規(guī)則算法在數(shù)據(jù)挖掘中的研究與應(yīng)用[D].成都理工大學(xué)碩士論文，2009.

[3]T.Mitchell.MachineLearning.McGraw-Hill，Boston，MA，1997.

[4]林凡.數(shù)據(jù)挖掘在零售業(yè)交叉銷(xiāo)售的作用[D].黑龍江碩士學(xué)位論文，2009.

[5]R.C.Holte.Very Simple Classification Rules Perform Well on Most Commonly Used Data sets.Machine Learning，11：63-91，1993.