【机器学习】关联规则Apriori和mlxtend——推荐算法.pdfVIP

【机器学习】关联规则Apriori和mlxtend——推荐算法 引⼊： 啤酒与尿布的故事 关联规律挖掘：从交易数据中发现：买了X 还会买Y 的规则 关联规律挖掘‘购物篮分析’Market Basket Analysis （MBA） 关联规律-应⽤于推荐系统 1. 关联规则代码演⽰ 使⽤的是mlxtend.frequent_patterns.Apriori() import numpy as np import pandas as pd from mlxtend.frequent_patterns import apriori,association_rules #TransactionEncoder 事务，编码 #事务：表⽰事件 # （⽐如每次去商场购买东西是⼀次事务，⽽实际购买到的东西就是项集） from mlxtend.preprocessing import TransactionEncoder te = TransactionEncoder() X =te.fit_transform(data) colmns = te.columns_ df = pd.DataFrame(X,columns=colmns) df.astype(np.uint8) 尿布橙汁甜菜莴苣葡萄酒⾖奶0000101 1101110 2110011 3100111 4110101 data=[[⾖奶,莴苣], [莴苣,尿布,葡萄酒,甜菜], [⾖奶,尿布,葡萄酒,橙汁], [莴苣,⾖奶,尿布,葡萄酒], [莴苣,⾖奶,尿布,橙汁]] result =apriori(df,min_support=0.6,use_colnames=True) result support itemsets 00.8(尿布) 10.8(莴苣) 20.6(葡萄酒) 30.8(⾖奶) 40.6(尿布, 莴苣) 50.6(尿布, 葡萄酒) 60.6(尿布, ⾖奶) 70.6(莴苣, ⾖奶)关联规则 条⽬ —》另⼀些条⽬之间有关联的 根据关联性强，进⾏推荐 推荐系统（⼩公司：分类，） 关联规则的三个计算: ⽀持度 support 置信度 confidence 提升度 lift 公式计算如下： association_rules(result,min_threshold=0.5) antecedents consequents antecedent support consequent support support confidence lift leverage conviction 0(尿布)(莴苣)0.80.80.60.750.9375-0.040.8 1(莴苣)(尿布)0.80.80.60.750.9375-0.040.8 2(尿布)(葡萄酒)0.8 0.6 0.60.75 1.25000.12 1.63(葡萄酒)(尿布)0.60.80.6 1.00 1.25000.12inf 4(尿布)(⾖奶)0.80.80.60.750.9375- 0.040.85(⾖奶)(尿布)0.80.80.60.750.9375-0.040.86(莴苣)(⾖奶)0.80.80.60.750.9375-0.040.87 (⾖奶) (莴苣) 0.8 0.8 0.6 0.75 0.9375 -0.04 0.8 antecedents consequents antecedent support consequent support support confidence lift leverage conviction 探究关联规则的原始代码 import numpy as np def createC1(dataSet ): C1 = [] for transaction in dataSet : for item in transaction : if not [item ] in C1: C1.append ([item ]) #store all the item unrepeatly C1.sort () #return map(frozenset, C1)#frozen set, user cant change it. return list (map (frozenset , C1))def scanD (D ,Ck ,minSupport ): #参数：数据集、候选项集列表 Ck 以及感兴趣项集的最⼩⽀持度 mi