python实现apriori算法的关联规则之支持度置信度提升度

Posted resource143

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python实现apriori算法的关联规则之支持度置信度提升度相关的知识,希望对你有一定的参考价值。

Apriori算法的简介

Apriori算法:使用候选项集找频繁项集

Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里,所有支持度大于最小支持度的项集称为频繁项集,简称频集。

Apriori原理:如果某个项集是频繁的,那么它的所有子集也是频繁的。该定理的逆反定理为:如果某一个项集是非频繁的,那么它的所有超集(包含该集合的集合)也是非频繁的。Apriori原理的出现,可以在得知某些项集是非频繁之后,不需要计算该集合的超集,有效地避免项集数目的指数增长,从而在合理时间内计算出频繁项集。

支持度,置信度,提升度

支持度

表示同时购买X、Y的订单数占总订单数(研究关联规则的“长表”中的所有购买的产品的订单数)的比例。如果用P(X)表示购买X的订单比例,其他产品类推,那么

技术图片

置信度

表示购买X的订单中同时购买Y的比例,即同时购买X和Y的订单数占购买X的订单的比例。公式表达:

技术图片

提升度

提升度反映了关联规则中的X重点内容与Y的相关性:提升度 >1 且越高表明正相关性越高;提升度 <1 且越低表明负相关性越高;提升度 =1 表明没有相关性。

技术图片

Apriori算法的编程实现

题目

数据集

技术图片

要求:

  • 从频繁项集结果中,提取2阶频繁项集
  • 使用seaborn工具包,实现2阶频繁项集的热力度表示
  • 计算2阶频繁项集的置性度(Confidence)和提升度(Lift)。定义最小置性度阈值,并生成和输出2阶关联规则

代码

技术图片

点我进入南岛鹋个人博客

以上是关于python实现apriori算法的关联规则之支持度置信度提升度的主要内容,如果未能解决你的问题,请参考以下文章

关联规则之Apriori算法

Python --深入浅出Apriori关联分析算法 Apriori关联规则实战

Python 实现关联规则分析Apriori算法

关于数据挖掘中的apriori算法,帮忙推出关联规则 事务数为 5 支持度为0.6,置信度为0.6

第九章 数据关联规则分析算法——基于Apriori算法的关联项分析

关联规则中Apriori演算法的一个小问题