MS关联规则分析算法
7.2. 创建一个嵌套视图，主要生成了会员各日的店铺消费明细和店铺对应的消费顺序号
create view [dbo].[v_DM_Association_vipDateDetail]
as
–会员号与日期组成的消费单号，与消费的店铺信息及消费顺序号
select s.storeAkey, s.storeName, v.vipAkey+’-‘+cast(d.fullDate as varchar) saleKey
,row_number() over(partition by v.vipAkey+’-‘+cast(d.fullDate as varchar) order by vs.hourKey) sequence
from [dbo].[DimVip] v
join [dbo].[FactVipSaleAndBonus] vs on vs.vipKey=v.vipKey
join [dbo].[DimStore] s on s.storeKey=vs.storeKey
join [dbo].[DimDate] d on d.dateKey=vs.dateKey
group by v.vipAkey, d.fullDate, s.storeAkey, s.storeName, vs.hourKey
7.3. 在挖掘项目中，将两个视图引入数据源视图，并增加逻辑主键和表关联如下
创建关联规则挖掘模型
8.1. 参考决策树的创建方式，直到指定表类型
8.2. 指定表类型-》事例勾选“v_DM_Association_vipDate”，也就是主表-》嵌套表勾选“v_DM_Association_vipDateDetail”，也就是明细表
8.3. 指定定型数据-》主表键是saleKey默认已勾选-》我们要预测的是会员可能要去哪些店铺购物，所以可预测列勾选“storeName”-》并且我们要分析的数据为会员已经去了哪些店铺购物，所以输入列勾选“storeName”-》还要为嵌套表指定键列，我们这里就直接勾选“storeName”了
8.4. 勾选“可钻取”，完成挖掘模型向导
挖掘模型查看器
9.1. 规则
9.1.1. 概率：意思是产品间会产生关联的概率
9.1.2. 重要性：衡量该规则重要性程度的指标
9.1.3. 规则：挖掘出来的关联规则，“->”符号前的为已有商品，其后的为推测出来的关联商品
9.2. 项集
9.2.1. 支持：频率，表示包含目标项目的事例的数目（如项集A，支持100，意思是输入表中项集A有100个事例，A出现了100次）
9.2.2. 大小：表示项集中项的个数
9.2.3. 项集：显示了项集中具体的各个项（如，商品）的信息
9.3. 依赖关系网络：是各项间关系的直观映射，每个椭圆代表了一个项，箭头表示预测方向，左侧可调节依赖关系的强弱
挖掘模型预测
10.1. 选择挖掘模型
10.2. 选择输入表主表-》选择嵌套表-》修改联接，将挖掘模型与输入键列进行映射
10.3. 预测参数配置
10.3.1. 配置输入表的输出字段，这样就能预测输入表对应的预测结果输出-》这里将会员名和会员号输出
10.3.2. 源：“预测函数”-》字段：“PredictAssociation”（预测关联）-》条件/参数：拖入挖掘模型的嵌套表-》后面加上“,include_statistics,3”，意思是预测关联性最强的前三个项
10.3.3. 点击查看结果-》保存结果
截图说明
11.1. 店铺间的依赖关系
11.2. 模型预测参数配置
11.3. 模型预测结果
11.3.1. 其中support是支持的事例数
11.3.2. Probability是可能性
11.3.3. adjustedProbability是准确度
