python如何实现关联规则算法先天?很多新手对此不是很清楚,为了帮助大家解决这个难题,下面小编将为大家详细讲解,有这方面需求的人可以来学习下,希望你能有所收获。
首先导入包含先天算法的mlxtend库,
pip安装mlxtend
调用先天进行关联规则分析,具体代码如下,其中数据集选取本博客”机器学习算法——关联规则”中的例子,可进行参考,设置最小支持度(min_support)为0.4,最小置信度(min_threshold)为0.1,
最小提升度(电梯)为1.0,对数据集进行关联规则分析,
。预处理进口TransactionEncoder
从mlxtend.frequent_patterns进口先验的
从mlxtend.frequent_patterns进口association_rules
熊猫作为pd导入
df_arr=[[& # 39;苹果& # 39;,& # 39;香蕉& # 39;,& # 39;鸭梨& # 39;],
[& # 39;橘子& # 39;,& # 39;葡萄& # 39;,& # 39;苹果& # 39;,& # 39;哈密瓜& # 39;,& # 39;火龙果& # 39;],
[& # 39;香蕉& # 39;,& # 39;哈密瓜& # 39;,& # 39;火龙果& # 39;,& # 39;葡萄& # 39;],
[& # 39;橘子& # 39;,& # 39;橡胶& # 39;],
[& # 39;哈密瓜& # 39;,& # 39;鸭梨& # 39;,& # 39;葡萄& # 39;】
]
#转换为算法可接受模型(布尔值)
te=TransactionEncoder ()
df_tf=te.fit_transform (df_arr)
df=pd.DataFrame (df_tf、列=te.columns_)
#设置支持度求频繁项集
frequent_itemsets=先天(df, min_support=0.4, use_colnames=True)
#求关联规则,设置最小置信度为0.15
规则=association_rules (frequent_itemsets指标=& # 39;信心# 39;,min_threshold=0.15)
#设置最小提升度=rules.drop(规则(规则。提升& lt; 1.0] .index)
#设置标题索引并打印结果
规则。重命名(列={& # 39;祖先# 39;:& # 39;从# 39;,& # 39;consequents& # 39;: & # 39;伍仟# 39;,& # 39;支持# 39;:& # 39;呷# 39;,& # 39;信心# 39;:& # 39;相依# 39;},原地=True)=规则[[& # 39;从# 39;& # 39;伍仟# 39;,& # 39;呷# 39;,& # 39;相依# 39;,& # 39;提升# 39;]]
print(规则)
#规则为Dataframe格式,可根据自身需求存入文件 输出结果如下:
从一口conf升力
0(哈密瓜)(火龙果)0.4 0.666667 1.666667
1(火龙果)(哈密瓜)0.4 1.000000 1.666667
2(哈密瓜)(葡萄)0.6 1.000000 1.666667
3(葡萄)(哈密瓜)0.6 1.000000 1.666667
4(葡萄)(火龙果)0.4 0.666667 1.666667
5(火龙果)(葡萄)0.4 1.000000 1.666667
6(哈密瓜,葡萄)(火龙果)0.4 0.666667 1.666667
7(哈密瓜,火龙果)(葡萄)0.4 1.000000 1.666667
8(葡萄,火龙果)(哈密瓜)0.4 1.000000 1.666667
9(哈密瓜)(葡萄,火龙果)0.4 0.666667 1.666667
10(葡萄)(哈密瓜,火龙果)0.4 0.666667 1.666667
11(火龙果)(哈密瓜,葡萄)0.4 1.000000 1.666667
过程完成退出代码0
看完上述内容是否对您有帮助呢?如果还想对相关知识有进一步的了解或阅读更多相关文章,请关注行业资讯频道,感谢您对的支持。
