1.跨集群的 ARM 结果比较。可视化

在比较跨集群的 ARM 结果时，我们的目标是检查数据集初始分割所产生的关联规则的变化。 通过对比每个聚类导出的关联规则，我们深入了解基于购物车内容的聚类如何影响这些规则的发现和有效性。 此外，当不同的 ARM 方法（例如 Apriopr, FP-growth、FPmax 和 Eclat）应用于数据时，我们部署折线图来跟踪和比较这些指标的变化。 这些折线图提供了每种 ARM 方法在 k 均值聚类定义的不同客户群中的执行情况的细致入微的视图，揭示了聚类和 ARM 技术的哪种组合可以为每个细分市场提供最有价值的见解.

2.每个集群的规则的详细分析(最重要！)可视化

热图用于查看集群中不同规则的出现情况和效力（通过提升等指标来衡量）。 在这些热图中，每一行对应一个特定规则，每列对应一个集群，并用不同的颜色强度说明规则的强度。

3. 规则统计分析可视化

为了评估我们在 ARM 结果中看到的变化的显着性，我们进行了统计分析，比较了使用和不使用先前聚类的结果。 箱线图作为一种说明性工具，提供了规则质量指标（例如表示关联规则强度的提升度）如何在集群中分布的直观快照。 这些图帮助我们清楚地识别哪些集群产生更有效的规则。 此外，我们还用误差条增强了条形图，它提供了数据变异性的视觉估计。

4. 性能分析可视化

为了评估在应用 ARM 之前结合 k 均值聚类的计算效率和性能增强，我们分析了执行时间的变化和生成规则的质量。 直方图是显示执行时间分布以及使用和不使用 k 均值聚类生成的规则计数的主要可视化工具。 这种图形表示使我们能够定量地衡量效率的提高。 比较表提供了进一步的分析深度，该表详细介绍了 k 均值形成的集群中的执行时间、规则数量和平均规则质量指标（例如支持度、置信度和提升度）。 这些表还提供了对比各种 ARM 技术在集群后的性能的机会，全面描绘了计算优势以及 k 均值集群在 ARM 过程中促进的增强规则发现。

5. 把显著性规则列在一个表格，以及他们的指标