机器学习中的关联规则代码

关联规则是机器学习中的一种常见算法，用于发现数据集中的频繁模式和规律。以下是一个Python中使用Apriori算法实现关联规则的示例代码：

from apyori import apriori

# 数据集
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算法发现频繁项集
min_support = 0.5 # 最小支持度
frequent_itemsets = apriori(dataset, min_support=min_support)

# 输出频繁项集
for itemset in frequent_itemsets:
    print(itemset)
    
# 使用关联规则发现规律
min_confidence = 0.7 # 最小置信度
rules = apriori(dataset, min_support=min_support, min_confidence=min_confidence)

# 输出关联规则
for rule in rules:
    print(rule)

在上面的代码中，我们使用了`apyori`库中的`apriori`函数来发现频繁项集和关联规则。其中，`dataset`是我们的数据集，`min_support`和`min_confidence`分别是最小支持度和最小置信度的阈值。在输出频繁项集和关联规则的结果时，我们可以根据需要进行排序、筛选等操作。