Apriori算法的簡介

Apriori算法：使用候選項集找頻繁項集

Apriori算法是一種最有影響的挖掘布爾關聯(lián)規(guī)則頻繁項集的算法。其核心是基于兩階段頻集思想的遞推算法。該關聯(lián)規(guī)則在分類上屬于單維、單層、布爾關聯(lián)規(guī)則。在這里，所有支持度大于最小支持度的項集稱為頻繁項集，簡稱頻集。

Apriori原理：如果某個項集是頻繁的，那么它的所有子集也是頻繁的。該定理的逆反定理為：如果某一個項集是非頻繁的，那么它的所有超集（包含該集合的集合）也是非頻繁的。Apriori原理的出現(xiàn)，可以在得知某些項集是非頻繁之后，不需要計算該集合的超集，有效地避免項集數(shù)目的指數(shù)增長，從而在合理時間內計算出頻繁項集。

支持度，置信度，提升度

支持度

表示同時購買X、Y的訂單數(shù)占總訂單數(shù)（研究關聯(lián)規(guī)則的“長表”中的所有購買的產品的訂單數(shù)）的比例。如果用P(X)表示購買X的訂單比例，其他產品類推，那么

置信度

表示購買X的訂單中同時購買Y的比例，即同時購買X和Y的訂單數(shù)占購買X的訂單的比例。公式表達：

提升度

提升度反映了關聯(lián)規(guī)則中的X重點內容與Y的相關性：提升度 >1 且越高表明正相關性越高;提升度 <1 且越低表明負相關性越高;提升度 =1 表明沒有相關性。

Apriori算法的編程實現(xiàn)

題目

數(shù)據(jù)集

要求：

從頻繁項集結果中，提取2階頻繁項集

使用seaborn工具包，實現(xiàn)2階頻繁項集的熱力度表示

計算2階頻繁項集的置性度（Confidence）和提升度（Lift）。定義最小置性度閾值，并生成和輸出2階關聯(lián)規(guī)則

代碼

原文地址：https://www.cnblogs.com/resource143/p/12995588.html

總結

以上是生活随笔為你收集整理的python 计算订单_python实现apriori算法的关联规则之支持度、置信度、提升度的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。