关联规则分类 cba python代码

以下是使用 Python 实现关联规则分类的示例代码：

from efficient_apriori import apriori

# 准备数据
dataset = [
    ['牛奶', '面包', '尿布'],
    ['可乐', '面包', '尿布', '啤酒'],
    ['牛奶', '尿布', '啤酒', '鸡蛋'],
    ['面包', '牛奶', '尿布', '啤酒'],
    ['面包', '牛奶', '尿布', '可乐']
]

# 使用 Apriori 算法找出频繁项集
itemsets, _ = apriori(dataset, min_support=0.5)

# 打印频繁项集
print(itemsets)

# 使用 Apriori 算法找出关联规则
_, rules = apriori(dataset, min_support=0.5, min_confidence=1)

# 打印关联规则
print(rules)

这段代码将会输出两个结果：频繁项集和关联规则。

频繁项集是经过 Apriori 算法处理后得到的一组包含任意项数的项集，它们出现的频率超过了预设的最小支持度阈值。在这个示例中，出现频率超过了 50% 的项集为 {'尿布'}，{'面包'}，{'牛奶'}。

关联规则是由频繁项集派生的一组规则，它们包含条件和结论两个部分，中间用箭头连接。条件和结论都是项集，而且条件和结论不能同时为空。在这个示例中，满足最小置信度阈值（这里设为 100%）的关联规则为：{'尿布'} → {'面包'}、{'面包'} → {'尿布'}、{'牛奶'} → {'尿布'}、{'尿布'} → {'牛奶'}、{'啤酒'} → {'尿布'}、{'尿布'} → {'啤酒'}、{'啤酒'} → {'牛奶'}、{'牛奶'} → {'啤酒'}、{'可乐'} → {'尿布'}、{'尿布'} → {'可乐'}、{'面包', '尿布'} → {'牛奶'}、{'牛奶', '尿布'} → {'面包'}、{'面包', '牛奶'} → {'尿布'}、{'尿布', '牛奶'} → {'面包'}、{'面包', '尿布'} → {'牛奶'}、{'牛奶', '面包'} → {'尿布'}。

这些关联规则可以发挥出关联规则分类的作用，例如可以根据顾客购买了哪些商品，推测他们可能对哪些商品感兴趣，并根据此做出适当的营销策略。