Data Mining for the Masses

---

Chapter 5: Association Rules 
73 
 
 
CHAPTER FIVE: 
ASSOCIATION RULES
 
 
 
CONTEXT AND PERSPECTIVE 
 
Roger  is  a  city  manager  for  a  medium-sized,  but  steadily  growing,  city.    The  city  has  limited 
resources, and like most municipalities, there are more needs than there are resources.  He feels 
like  the  citizens  in  the  community  are  fairly  active  in  various  community  organizations,  and 
believes  that  he  may  be  able  to  get  a  number  of  groups  to  work  together  to  meet  some  of  the 
needs in the community.  He knows there are churches, social clubs, hobby enthusiasts and other 
types of groups in the community.  What he doesn’t know is if there are connections between the 
groups  that  might  enable  natural  collaborations  between  two  or  more  groups  that  could  work 
together  on  projects  around  town.    He  decides  that  before  he  can  begin  asking  community 
organizations to begin working together and to accept responsibility for projects, he needs to find 
out if there are any existing associations between the different types of groups in the area. 
 
LEARNING OBJECTIVES 
 
After completing the reading and exercises in this chapter, you should be able to: 

 
Explain what association rules are, how they are found and the benefits of using them. 

 
Recognize the necessary format for data in order to create association rules. 

 
Develop an association rule model in RapidMiner. 

 
Interpret the rules generated by an association rule model and explain their significance, if 
any. 
 
ORGANIZATIONAL UNDERSTANDING 
 
Roger’s  goal  is  to  identify  and  then  try  to  take  advantage  of  existing  connections  in  his  local 
community to get some work done that will benefit the entire community.  He knows of many of 

---

 
Data Mining for the Masses 
74 
the organizations in town, has contact information for them and is even involved in some of them 
himself.  His family is involved in an even broader group of organizations, so he understands on a 
personal level the diversity of groups and their interests.  Because people he and his family knows 
are involved in other groups around town, he is aware in a more general sense of many different 
types  of  organizations,  their  interests,  objectives  and  potential  contributions.    He  knows  that  to 
start,  his  main  concern  is  finding  types  of  organizations  that  seem  to  be  connected  with  one 
another.  Identifying individuals to work with at each church, social club or political organization 
will  be  overwhelming  without  first  categorizing  the  organizations  into  groups  and  looking  for 
associations  between  the  groups.    Only  once  he’s  checked  for  existing  connections  will  he  feel 
ready to begin contacting people and asking them to use  their cross-organizational contacts and 
take on project ownership.  His first need is to find where such associations exist. 
 
DATA UNDERSTANDING 
 
In order to answer his question, Roger has enlisted our help in creating an association rules data 
mining  model.    Association  rules  are  a  data  mining  methodology  that  seeks  to  find  frequent 
connections  between  attributes  in  a  data  set.    Association  rules  are  very  common  when  doing 
shopping basket analysis.  Marketers and vendors in many sectors use this data mining approach to 
try to find which products are most frequently purchased together.  If you have ever purchased 
items  on  an  e-Commerce  retail  site  like  Amazon.com,  you  have  probably  seen  the  fruits  of 
association rule data mining.  These are most commonly found in the recommendations sections 
of such web sites.  You might notice that when you search for a smartphone, recommendations for 
screen protectors, protective cases, and other accessories such as charging cords or data cables are 
often recommended to you.  The items being recommended are identified by mining for items that 
previous  customers  bought  in  conjunction with  the  item  you  search  for.    In  other  words,  those 
items are found to be associated with the item you are looking for, and that association is so frequent 
in the web site’s data set, that the association might be considered a rule.  Thus is born the name of 
this  data  mining  approach:  “association  rules”.    While  association  rules  are  most  common  in 
shopping basket analysis, this modeling technique can be applied to a broad range of questions.  
We will  help Roger  by creating an association  rule  model  to  try  to  find linkages  across  types  of 
community organizations. 
 

---

Chapter 5: Association Rules 
75 
Working  together,  we  using  Roger’s  knowledge  of  the  local  community  to  create a  short  survey 
which we will administer online via a web site.  In order to ensure a measure of data integrity and 
to try to protect against possible abuse, our web survey is password protected.  Each organization 
invited to participate in the survey is given a unique password.  The leader of that organization is 
asked  to  share  the  password  with  his  or  her  membership  and  to  encourage  participation  in  the 
survey.  Community members are given a month to respond, and each time an individual logs on 
complete the survey, the password used is recorded so that we can determine how many people 
from each organization responded.  After the month ends, we have a data set  comprised of the 
following attributes: 
 

 
Elapsed_Time:  This is the amount of time each respondent spent completing our survey.  
It is expressed in decimal minutes (e.g. 4.5 in this attribute would be four minutes, thirty 
seconds). 

 
Time_in_Community:  This question on the survey asked the person if they have lived in 
the  area  for  0-2  years,  3-9  years,  or  10+  years;  and  is  recorded  in  the  data  set  as  Short, 
Medium, or Long respectively. 

 
Gender:  The survey respondent’s gender. 

 
Working: A yes/no column indicating whether or not the respondent currently has a paid 
job. 

 
Age:  The survey respondent’s age in years. 

 
Family:  A yes/no column indicating whether or not the respondent is currently a member 
of a family-oriented community organization, such as Big Brothers/Big Sisters, childrens’ 
recreation or sports leagues, genealogy groups, etc. 

 
Hobbies:    A  yes/no  column  indicating  whether  or  not  the  respondent  is  currently  a 
member  of  a  hobby-oriented  community  organization,  such  as  amateur  radio,  outdoor 
recreation, motorcycle or bicycle riding, etc. 

 
Social_Club:  A yes/no column indicating whether or not the respondent is currently  a 
member of a community social organization, such as Rotary International, Lion’s Club, etc. 

 
Political:    A  yes/no  column  indicating  whether  or  not  the  respondent  is  currently  a 
member  of  a  political  organization  with  regular  meetings  in  the  community,  such  as  a 
political party, a grass-roots action group, a lobbying effort, etc. 

---