关联规则算法有哪些,python 集合运算方法,python关联规则算法源代码

　　首先介绍了包含apriori算法的mlxtend库，

　　pip安装mlxtend

　　调用apriori分析关联规则。具体代码如下。在这些数据集中，选取博客《机器学习算法相关规则3354》中的例子，将最小支持度(min_support)设为0.4，最小可靠度(min_threshold)设为0.1，以供参考。

　　最小提升1.0，对数据集进行关联规则分析。

　　fromlxtend . preprocessingimporttransactionencoder

　　from mlxtend . frequency _ patterns importapriori

　　from mlxtend . frequency _ patterns importassociation _ rules

　　进口熊猫作为pd

　　Df_arr=[[苹果，香蕉，梨]，

　　橘子、葡萄、苹果、哈密瓜、火龙果、

　　香蕉，哈密瓜，火龙果，葡萄，

　　橘子，橡胶，

　　[哈密瓜，梨，葡萄]

　　]

　　#转换为算法允许的模型(布尔型))))))))))

　　te=TransactionEncoder()

　　df_tf=te.fit_transform(df_arr)

　　df=PD.dataframe(df_TF，columns=te.columns_)

　　#设置支持度，查找频繁项集。

　　frequent_itemsets=apriori(df，min_support=0.4，use_colnames=True)).

　　#找出相关规则，将最低可靠度设为0.15。

　　rules=association _ rules(frequent _ items ets，metric=confidence ，min_threshold=0.15)))))).

　　#设置最小升程

　　rules=rules . drop(rules[rules . lift 1.0])。索引).

　　#设置标题索引并打印结果

　　rules . rename(columns={ antecedents : from ， consequents:to ， support:sup， concont)

　　rules=rules[[from ， to ， sup ， conf ， lift]]

　　是，打印(规则)

　　#rules是数据帧格式，可以根据需要保存到文件中。

　　输出结果如下。

　　来自超级会议电梯

　　0)哈密瓜(火龙果)0.4 0.4。56860.68668686661

　　火龙果(哈密瓜)0.4)1000000)1.4565666676766

　　甜瓜(葡萄)0.6)1.000000)1.5000000001

　　葡萄(甜瓜)0.6)1.000000)1.5000000001

　　葡萄(火龙果)0.4(66667)1。56667.66666666661

　　火龙果(葡萄)0.4)1.000000)1.546666666676

　　甜瓜、葡萄(火龙果(0.4)0.66667)36666.666666666667

　　7)甜瓜、火龙果(葡萄)0.4)1.00000)1.20000000001

　　葡萄、火龙果(哈密瓜)0.4)1.00001.566666666661

　　9)哈密瓜(葡萄、火龙果)0.4)0.66667)1 . 56667 . 666666666666

　　葡萄(哈密瓜、火龙果)0.4)0.66667)1。56667.66666666661

　　11)火龙果(甜瓜，葡萄)0.4)1.00000)1.20000000001

　　进程结束，退出代码为0

　　以上是python实现关联规则算法Apriori的详细例子。关于python实现关联规则算法Apriori的信息，可以参考聚美学院的其他相关文章。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。