基于模糊集购物推荐代码

以下是一个基于模糊集的购物推荐代码示例：

import numpy as np
import skfuzzy as fuzz
from skfuzzy import control as ctrl

# 商品类别变量
category = ctrl.Antecedent(np.arange(0, 11, 1), 'category')
# 用户偏好变量
preference = ctrl.Antecedent(np.arange(0, 11, 1), 'preference')
# 推荐度变量
recommendation = ctrl.Consequent(np.arange(0, 11, 1), 'recommendation')

# 定义范围和模糊集
category.automf(3)
preference.automf(3)
recommendation.automf(3)

# 规则
rule1 = ctrl.Rule(category['poor'] | preference['poor'], recommendation['poor'])
rule2 = ctrl.Rule(category['average'] & preference['average'], recommendation['average'])
rule3 = ctrl.Rule(category['good'] | preference['good'], recommendation['good'])
rule4 = ctrl.Rule(category['good'] & preference['poor'], recommendation['average'])
rule5 = ctrl.Rule(category['poor'] & preference['good'], recommendation['average'])

recommendation_ctrl = ctrl.ControlSystem([rule1, rule2, rule3, rule4, rule5])
recommendation_simulation = ctrl.ControlSystemSimulation(recommendation_ctrl)

# 输入商品类别和用户偏好
recommendation_simulation.input['category'] = 8
recommendation_simulation.input['preference'] = 5

# 推荐度计算
recommendation_simulation.compute()

# 输出推荐度
print("Recommendation: ", recommendation_simulation.output['recommendation'])

# 可视化
category.view()
preference.view()
recommendation.view()

在此示例中，我们使用模糊集来推荐商品。我们有三个输入变量：商品类别，用户偏好和推荐度。每个输入变量都有三个模糊集，分别表示“差”，“一般”和“好”。

我们使用五个规则来计算推荐度。规则1和规则3指定了如果商品类别或用户偏好是“差”或“好”，则推荐度也是“差”或“好”。规则2指定了如果商品类别和用户偏好都是“一般”，则推荐度也是“一般”。规则4和规则5指定了如果商品类别是“好”，但用户偏好是“差”，或者商品类别是“差”，但用户偏好是“好”，则推荐度是“一般”。

我们将输入商品类别和用户偏好设置为8和5，并计算推荐度。最后，我们输出了推荐度，并可视化了模糊集。