python的Apriori实例结果

由于Apriori算法是一种关联规则挖掘算法，通常用于分析数据集中的频繁项集及其关联关系。因此，具体实例结果需要先确定数据集以及关联规则的定义。

下面以一个简单的示例说明Apriori算法的实现过程和结果。

数据集：

假设有一个购物清单数据集，其中包含了5个顾客的购买物品记录，如下所示：

1. 牛奶，面包，鸡蛋
2. 小麦，牛奶，面包，鸡蛋
3. 牛奶，面包
4. 小麦，牛奶，鸡蛋
5. 面包，鸡蛋

关联规则定义：

假设我们定义一个关联规则：如果一个顾客购买了牛奶和面包，那么他们很可能会购买鸡蛋。

Apriori算法的实现过程：

1. 对数据集进行处理，将每个物品看作一个项，得到所有的项集。
2. 计算每个项集的支持度，即该项集在数据集中出现的频率。
3. 选取支持度大于等于设定阈值的项集，作为频繁项集。
4. 根据频繁项集，生成候选规则。
5. 计算每个规则的置信度，即规则中的后项在前项条件下出现的概率。
6. 选取置信度大于等于设定阈值的规则，作为强关联规则。

实例结果：

在本例中，设定支持度阈值为2，置信度阈值为0.8。

1. 计算项集的支持度

| 项集 | 支持度 |
| ---------- | ------ |
| {牛奶} | 4 |
| {面包} | 4 |
| {鸡蛋} | 3 |
| {小麦} | 2 |
| {牛奶,面包} | 3 |
| {牛奶,鸡蛋} | 2 |
| {面包,鸡蛋} | 2 |

2. 选取频繁项集

根据设定的支持度阈值，选取支持度大于等于2的项集，得到频繁项集如下：

| 频繁项集 | 支持度 |
| ---------- | ------ |
| {牛奶} | 4 |
| {面包} | 4 |
| {鸡蛋} | 3 |
| {牛奶,面包} | 3 |

3. 根据频繁项集生成候选规则

根据频繁项集生成候选规则如下：

| 规则 | 支持度 | 置信度 |
| ------------ | ------ | ------ |
| {牛奶} -> {面包} | 3 | 0.75 |
| {面包} -> {牛奶} | 3 | 0.75 |
| {鸡蛋} -> {牛奶} | 2 | 0.67 |
| {牛奶} -> {鸡蛋} | 2 | 0.50 |
| {面包} -> {鸡蛋} | 2 | 0.50 |
| {鸡蛋} -> {面包} | 2 | 0.67 |

4. 选取强关联规则

根据设定的置信度阈值，选取置信度大于等于0.8的规则，得到强关联规则如下：

| 规则 | 支持度 | 置信度 |
| ------------ | ------ | ------ |
| {牛奶} -> {面包} | 3 | 0.75 |
| {面包} -> {牛奶} | 3 | 0.75 |
| {鸡蛋} -> {牛奶} | 2 | 0.67 |

这些强关联规则说明，如果一个顾客购买了牛奶和面包，那么他们很可能会购买鸡蛋。这个结果可以为商家提供一些有用的信息，例如可以在店铺中将牛奶、面包、鸡蛋放在一起促销，吸引更多的顾客购买。