一、分析目的和数据集描述
要分析的数据是美国一区域的保险费支出的历史数据。保险费用数据表的每列分别为年龄、性别、体重指数、孩子数量、是否吸烟、所在区域、保险收费。
本文的主要目的是分析在年龄、性别、体重指数、孩子数量、是否吸烟、所在区域中这些因素中，哪些因素对保险费支出影响最大，这些因素中哪些因素与保险费用的关联最大。
分析影响保险费支出的具体因素，本文用到了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)
head(df)agesex bmi children smokerregion charges119 female 27.900yes southwest 16885218 male 33.771 no southeast1726328 male 33.003 no southeast4449433 male 22.700 no northwest 21984532 male 28.880 no northwest3867631 female 25.740 no southeast3757
三、导入关联规则挖掘用到的分析程序包
library(arules)#用于数据关联规则挖掘
library(arulesViz)#关联规则挖掘的可视化程序包
library(dplyr)#用于数据处理的分析包，我们将使用里面的管道函数%>%
library(ggplot2)
四、查看数据集
summary(df)
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’)
因为要分析的数据集无缺失值，下一步就是要对数据各变量转换为因子型，也是是规则关联函数
apriori()要求的。
五、将数据集的变量转换为因子型
df% mutate(age=as.factor(cut(age,breaks = c(0,25,50,75,100)))) %>%
mutate(sex=as.factor(sex)) %>% mutate(bmi=as.factor(cut(bmi,breaks = c(0,15,30,45,60,75)))) %>%
mutate(children=as.factor(children)) %>% mutate(smoker=as.factor(smoker)) %>%
mutate(region=as.factor(region)) %>% mutate(charges=as.factor(cut(charges,breaks = c(0,13000,26000,39000,65000))))
在这里用到了管道函数，对年龄、健康指数、保险费用按区间分组，把年龄分为4组，健康指数分为5组，保险费支出分为了4组，然后对分组后的变量使用as.factor()转换为因子型变量。
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。
例如第一条年龄在0到25岁之间，无小孩，不吸烟的家庭关联最低程度的保险费用支出的支持度为0.1121，置信度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
1、后项集指定为保险费用支出charges=(39000,65000],即分析关联最高级别的保险费用支出的影响因素有哪些。
rules_rhs_highrank<-apriori(df,parameter = list(supp=0.02,conf=0.5),
appearance = list(rhs=c(‘charges=(3.9e+04,6.5e+04]’)),control=list(verbose=F))
inspect(head(rules_rhs_highrank,by=’lift’))
查看分析结果：
从运行结果可以看到：年龄较大，体重较重，吸烟等因素与保险费用支出较高支持相关联。
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、后项集指定为保险费用支出charges=(0,13000],即分析关联最低级别的保险费用支出的影响因素有哪些。
rules_rhs_lowrank<-apriori(df,parameter = list(supp=0.1,conf=0.5),
appearance = list(rhs=c(‘charges=(0,1.3e+04]’)),control=list(verbose=F))
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。