这里有一个非常基本的问题：
示例规则（假设它是从 WEKA 生成的）：
bread=t 10 ==> milk=t 10 conf:(1)
这意味着“从 10 个实例开始，人们每次买面包时，也会买牛奶”。 （忽略支持）
这条规则可以双向阅读吗？比如，“每次人们买牛奶，他们也买面包？”
另一个例子
Physics101=A ==> Superphysics401=A
是否可以像这样双向读取：
“如果人们在 Physics101 上得了 A，那么他们在 Superphysics401 上也得了 A”
“如果人们在 Superphysics401 上得了 A，那么他们在 Physics101 上也得了 A”？
如果是这样，是什么让 WEKA 以该顺序生成规则（物理 ==> 超物理），为什么不反过来呢？还是订单不相关？
【问题讨论】：
标签： associations weka data-mining
Does this rule can be read both ways? Like, "everytime people buy milk, they also buy bread?"
不，只能以一种方式阅读。
这遵循隐含规则。 A -> B 和 B -> A 是不同的东西。将前者读作“A 是 B 的子集”，因此，无论何时你在 A 中，你都在 B 中。B -> A，也称为A -> B 的逆，可以用类似的方式解释。当这两个都成立时，我们说A <-> B 这意味着A 和B 本质上是相同的。
如果以上看起来行话太多，请记住以下几点： 雨 -> 云是真的。每当有雨，就会有云，但云 -> 雨并不总是如此。可能有云，但没有雨。
如果是这样，是什么让 WEKA 以该顺序生成规则（物理 ==> 超物理），为什么不反过来呢？还是订单不相关？
数据集导致规则。这是一个例子：
Milk, Bread, Waffers
Milk, Toasts, Butter
Milk, Bread, Cookies
Milk, Cashewnuts
让自己相信面包 -> 牛奶，但是牛奶！ -> 面包。
请注意，我们可能并不总是对成立或不成立的规则感兴趣。因此，我们尝试在规则中添加置信度的概念。为A->B 定义置信度的一种自然方式是P(B|A)，即当我们看到 A 时，我们看到 B 的频率。
这可以通过将同时出现的 B 和 A 的计数除以单独出现的 A 的计数来计算。
在我们的示例中，
P(Milk | Bread) = 2 / 2 = 1 and
P(Bread | Milk) = 2 / 4 = 0.5
您现在可以根据置信度对规则列表进行排序，并决定要使用哪些规则。
【讨论】：