以下代码含义def calcConf(freqSet, H, support_data, bigRuleList, minConf,minlif): prunedH = [] for conseq in H: conf = support_data[freqSet] / support_data[freqSet - conseq] lift = support_data[freqSet] / (support_data[conseq] * support_data[freqSet - conseq]) if conf >= minConf and lift >= minlif: bigRuleList.append((freqSet - conseq, conseq, conf,lift)) prunedH.append(conseq) return prunedH

时间: 2024-04-22 07:27:29 浏览: 91

python使用Apriori算法进行关联性解析

### Python使用Apriori算法进行关联性解析 #### 关联分析概述关联分析（Association Analysis）是一种用于发现大型数据集中项目之间潜在联系的数据挖掘技术。它通常应用于市场篮子分析、用户行为分析等领域，帮助商家识别商品之间的购买模式或者推荐系统中的用户偏好。 #### Apriori算法原理 Apriori算法是一种广泛使用的关联规则学习算法，主要用于发现频繁项集（Frequent Itemsets）。算法基于以下关键原理： - **频繁项集**：指在数据集中频繁出现的物品集合。例如，在超市销售数据中，“面包”和“牛奶”可能经常一起被购买，这两个商品就构成了一个频繁项集。 - **关联规则**：是一种暗示两个或多个物品之间存在强相关性的规则。如“买面包的人往往会买牛奶”，这里的规则就是{面包} -> {牛奶}。 Apriori算法的核心步骤包括： 1. **频繁项集的提取**：找出所有频繁项集的过程，即那些支持度不低于预设阈值的项集。 2. **关联规则的生成**：从已经找到的频繁项集中提取出有意义的关联规则。 #### 支持度与可信度 - **支持度（Support）**：衡量项集在数据集中出现频率的一个指标。支持度越高，表明这个项集出现的次数越多。 - 定义为数据集中包含该项集的交易记录所占的比例。 - 例如，在一个包含1000个交易记录的数据集中，如果“面包”和“牛奶”同时出现的次数为100次，则支持度为10%。 - **可信度（Confidence）**：衡量一条关联规则强度的指标，定义为支持度（{A, B}）/ 支持度（{A}），表示在购买A的同时也购买B的概率。 - 例如，规则“{面包} -> {牛奶}”的可信度为支持度({面包, 牛奶}) / 支持度({面包})。 #### Apriori算法详解 1. **频繁1-项集的生成**：从原始数据集中扫描一次，找出所有频繁出现的单一物品（即支持度不低于设定阈值的物品）。 2. **频繁k-项集的生成**：利用频繁k-1项集来生成候选k-项集，再扫描数据集以确定哪些候选项集是频繁的。 3. **频繁项集的提取**：重复上述步骤，直至无法生成更长的频繁项集为止。 #### Apriori算法步骤 1. **初始化**：生成所有的1-项集，并计算其支持度。 2. **迭代**： - 基于当前的频繁项集生成候选项集。 - 对每个候选项集进行支持度计数。 - 选择支持度大于最小支持度阈值的项集作为新的频繁项集。 3. **结束条件**：当无法生成新的频繁项集时，算法结束。 #### Python实现Apriori算法 ```python import numpy as np def loadDataSet(): return [[1, 3, 4], [2, 3, 5], [1, 2, 3, 5], [2, 5]] def createC1(dataSet): c1 = [] for transaction in dataSet: for item in transaction: if not [item] in c1: c1.append([item]) c1.sort() return list(map(frozenset, c1)) def scanData(data, candidates, minSupport): ssCnt = {} for tid in data: for can in candidates: if can.issubset(tid): if can not in ssCnt.keys(): ssCnt[can] = 0 ssCnt[can] += 1 numItems = len(data) retList = [] supportData = {} for key in ssCnt.keys(): support = ssCnt[key] / numItems if support >= minSupport: retList.append(key) supportData[key] = support return retList, supportData def aprioriGen(Lk, k): retList = [] lenLk = len(Lk) for i in range(lenLk): for j in range(i+1, lenLk): l1 = list(Lk[i])[:k-2] l2 = list(Lk[j])[:k-2] l1.sort() l2.sort() if l1 == l2: retList.append(Lk[i] | Lk[j]) return retList def apriori(dataSet, minSupport=0.5): c1 = createC1(dataSet) D = list(map(set, dataSet)) l1, supportData = scanData(D, c1, minSupport) L = [l1] k = 2 while (len(L[k-2]) > 0): ck = aprioriGen(L[k-2], k) lk, supk = scanData(D, ck, minSupport) k += 1 L.append(lk) supportData.update(supk) return L, supportData def generateRules(L, supportData, minConf=0.7): bigRuleList = [] for i in range(1, len(L)): for freqSet in L[i]: H1 = [frozenset([item]) for item in freqSet] if (i > 1): rulesFromConseq(freqSet, H1, supportData, bigRuleList, minConf) else: calcConf(freqSet, H1, supportData, bigRuleList, minConf) return bigRuleList ``` 以上Python代码实现了Apriori算法的基本流程，包括数据加载、频繁项集生成以及关联规则的提取等核心功能。通过调整`minSupport`和`minConf`参数，可以根据实际应用场景的需求定制化地挖掘有价值的关联规则。

这段代码是用来计算关联规则的置信度和提升度的。输入参数包括频繁项集freqSet、可能的后件项集合H、支持度数据support_data、所有关联规则列表bigRuleList、最小置信度minConf和最小提升度minlif。对于每个后件项集合conseq，该函数计算关联规则的置信度及提升度，如果满足最小置信度和最小提升度的条件，就将该关联规则添加到bigRuleList中。同时，prunedH用于记录满足条件的后件项集合。最后，该函数返回满足条件的后件项集合列表prunedH。

阅读全文

相关推荐

dds_AD_9851 msp430f149作为控制器

一种高频开关电源的设计方法

时间序列数据挖掘：关联规则在动态模式识别中的应用

Warning[Pe223]: function "AD9833_FreqSet" declared implicitly E:\DD\Core\Src\ad9833.c 32

SyntaxError: Missing parentheses in call to 'print'. Did you mean print(freqSet-conseq,'-->',conseq,'conf:',conf)?

SyntaxError: Missing parentheses in call to 'print'. Did you mean print(freqSet-conseq,'-->',conseq,'conf:',conf)?什么意思

SyntaxError: Missing parentheses in call to 'print'. Did you mean print(freqSet-conseq,'-->',conseq,'conf:',conf)?给我解释一下这个报错

SyntaxError: Missing parentheses in call to 'print'. Did you mean print("freqSet:",freqSet)?什么意思

实验.试·题 测试1：请使用Apriori算法编程实现下表1 1 1 0 1 0 1 1 1 1 1 1 0 1 1 1 0 1 0 1 1 0 1 0 0 购物盟数据的组整项售和关联规则，并选用任选 用3种评价指标来评估获取的关联规则。其中minSup=0.6，minConf=0.8

apriori算法python代码

TID Items 1 面包 牛奶 2 面包 尿布 啤酒 鸡蛋 3 牛奶 尿布 啤酒 可乐 4 面包 牛奶 尿布 啤酒 5 面包 牛奶 尿布 可乐，使用matlab编程，apriori算法产生频繁项集，给出代码

根据如下给定的事务数据库，支持数阈值2和置信度阈值0.7，编写代码生成频繁项目集及对应的关联规则。TID Itemset 1 1,2,5 2 2,4 3 2,3 4 1,2,4 5 1,3, 6 2,3 7 1,3 8 1,2,3,5 9 1,2,3

数据库基础测验20241113.doc

最新推荐

数据库基础测验20241113.doc

微信小程序下拉选择组件

DICOM文件+DX放射平片-数字X射线图像DICOM测试文件

Jupyter Notebook《基于双流 Faster R-CNN 网络的 图像篡改检测》+项目源码+文档说明+代码注释

使用epf捕获没有CA证书的SSLTLS明文（LinuxAndroid内核支持amd64arm64）.zip

黑板风格计算机毕业答辩PPT模板下载

管理建模和仿真的文件

提升点阵式液晶显示屏效率技术

在SoC芯片的射频测试中，ATE设备通常如何执行系统级测试以保证芯片量产的质量和性能一致？

CodeSandbox实现ListView快速创建指南

实验.试·题测试1：请使用Apriori算法编程实现下表1 1 1 0 1 0 1 1 1 1 1 1 0 1 1 1 0 1 0 1 1 0 1 0 0 购物盟数据的组整项售和关联规则，并选用任选用3种评价指标来评估获取的关联规则。其中minSup=0.6，minConf=0.8

TID Items 1 面包牛奶 2 面包尿布啤酒鸡蛋 3 牛奶尿布啤酒可乐 4 面包牛奶尿布啤酒 5 面包牛奶尿布可乐，使用matlab编程，apriori算法产生频繁项集，给出代码

Jupyter Notebook《基于双流 Faster R-CNN 网络的图像篡改检测》+项目源码+文档说明+代码注释