GOGETTER

案例與數據

國工智能數據大腦是一個基于人工智能數據分析決策平臺，內置關聯分析是一種重要的人工智能組件，他可以尋找出事物之間的隱含規則，尋找事物的發生規律。像經典的啤酒尿布的銷售分析和抖音、頭條中對于用戶興趣推薦的分析都有關聯分析的影子。

關聯分析作為一種知識發現算法，在制造業中也有廣泛的用途，隨著制造業信息化的建設，制造類企業積累了大量的數據，其中生產中不合格品數量關系企業的生存與發展，如何從以往大量的不合格品數據中發現問題，分析原因，以便于有關部門及領導采取相應對策，降低不合格率。

這里使用某汽車模具公司中影響產品不合格因素為例，從引起產品不合格的各原因中發現它們之間的內在聯系，進行人為控制和干預，以減少不合格產品數量，從而提高企業的競爭力。

我們使用了一張質量判定EXCEL表來進行分析的原料。里面描述了每一個生產批次質量檢測項目的檢驗結果，分別是合格與不合格。

表1 產品不合格原因統計表

這里YES代表此批次產品產生不合格的原因，NO不是此批次產品產生的原因。

分析過程

圖1 關聯分析處理流程

我們使用數據大腦系統，對存有待分析數據的Excel文件進行讀取，然后按需進行算法組件的相關參數進行配置，如圖2--圖4所示

圖2 模具數據模型

圖3 配置Excel讀取組件

圖4 配置關聯分析FPGrowth組件

分析結果

圖5關聯分析分析結果

通過關聯分析FPGrowth組件生成算法分析結果，展示該類數據之間存在的潛在聯系，上述數據分析結果轉換如下圖

所示。

圖6關聯分析分析結果轉換

通過上述規則可以看出，當產品不合格原因不存在沖件高低，而存在屑料阻塞時，有92.8571%的概率不會出現下料偏位，其確信度為1.9264，存在一定的關聯性。

當產品不合格原因不存在沖件高低，而存在卡料和折彎變形時，有91.0327%的概率會出現凸模斷裂崩刃，其確信度為6.8523333，存在較強的關聯性，需要對卡料和折彎變形這兩個不合格原因進行重點管理。

當產品不合格原因只存在卡料和折彎變形時，有90.6976%的概率會出現凸模斷裂崩刃，其確信度為6. 440444，存在較強的關聯性。

由上所述，在整個生產過程中，關于質量管理方面，需要對卡料和折彎變形這兩個不合格原因進行重點管理，對其生產中的弱點進行改進，降低不合格率，從而降低企業的運作成本，取得一定的經濟效益。

參數說明

度量類型是設置對規則進行排序的度量依據。可以是：置信度（類關聯規則只能用置信度挖掘），提升度(Lift)，杠桿率(Leverage)，確信度(Conviction)。

置信度也稱為可靠度，或置信水平、置信系數，表示在先決條件X發生的情況下，由關聯規則“X→Y”推出Y的概率。即在含有X的項集中，含有Y的可能性，公式為： Confidence(X→Y) = P(Y|X)  = P(X,Y) / P(X) = P(XUY) / P(X)。

提升度(Lift)表示含有X的條件下，同時含有Y的概率，與Y總體發生的概率之比。公式為：Lift(X→Y) = P(Y|X) / P(Y)。Lift=1時表示A和B獨立。這個數越大(>1)，越表明A和B存在于一個集合中不是偶然現象,有較強的關聯度.

杠桿率(Leverage)公式為: Leverage=P(A,B)-P(A)P(B)。Leverage=0時，A和B獨立，Leverage越大A和B的關系越密切。

確信度(Conviction)公式為: Conviction =P(A)P(!B)/P(A,!B) 。!B表示B沒有發生, Conviction也是用來衡量A和B的獨立性。從它和Lift的關系（對B取反，代入Lift公式后求倒數）可以看出，這個值越大, A、B越關聯。

應用領域

利用關聯分析的方法可以發現聯系，如關聯規則或頻繁項集。目前應用于穿衣搭配推薦、依據用戶軌跡的商戶精準營銷、地點推薦系統、氣象關聯分析、交通事故成因分析、銀行金融客戶交叉銷售分析、電子商務搭配購買推薦、基于興趣的實時新聞推薦等領域。