python实现apriori算法的关联规则之支持度、置信度、提升度

标签：目的   seaborn   子集   阶段   频繁项集   使用   输出   相关   图片   

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

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：

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。

Apriori算法的编程实现

题目

数据集

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

点我进入南岛鹋个人博客

python实现apriori算法的关联规则之支持度、置信度、提升度

标签：目的   seaborn   子集   阶段   频繁项集   使用   输出   相关   图片   

原文地址：https://www.cnblogs.com/resource143/p/12995588.html