?p=23955

关联规则学习 在机器学习中用于发现变量之间的有趣关系。Apriori算法是一种流行的关联规则挖掘和频繁项集提取算法，在关联规则学习中有应用。它旨在对包含交易的数据库进行操作，例如商店客户的购买（购物篮分析）。除了购物篮分析之外，该算法还可以应用于其他问题。例如，在网络用户导航领域，我们可以搜索诸如访问过网页A和网页B的客户也访问过网页C的规则。

Python sklearn 库没有 Apriori 算法，其中 Python 库 MLxtend 用于市场篮子分析。在这篇文章中，我将分享如何使用Python 获取关联规则和绘制图表，为数据挖掘中的关联规则创建数据可视化。首先我们需要得到关联规则。

从数组数据中获取关联规则

要获取关联规则，您可以运行以下代码

            

import pandas as pd




oary = ott(daset).trafrm(dtset)

df = pd(oh_ry, column=oht.cns)
print (df)

frequent = apror(df, mn_upprt=0.6, useclaes=True)

print (frequent )

数据挖掘中的置信度和支持度

为了选择有趣的规则，我们可以使用最知名的约束，即置信度和支持度的最小阈值。
支持度是指项目集在数据集中出现的频率。
置信度表示规则被发现为真的频率。

suprt=rules(\['suport'\])

cofidece=rules(\['confience'\])

关联规则——散点图

建立散点图的python代码。由于这里有几个点有相同的值，我添加了小的随机值来显示所有的点。

for i in range (len(supprt)):

   suport\[i\] = suport\[i\] + 0.00 * (ranom.radint(,10)- 5)
   confidence\[i\] = confidence\[i\] + 0.0025 * (rao.rant(1,10) - 5)


plt.show()

以下是支持度和置信度的散点图：

如何为数据挖掘中的关联规则创建数据可视化

为了将关联规则表示为图。这是关联规则示例：（豆，洋葱）==>（鸡蛋）

下面的有向图是为此规则构建的，如下所示。具有 R0 的节点标识一个规则，并且它总是具有传入和传出边。传入边将代表规则前项，箭头在节点旁边。

下面是一个从实例数据集中提取的所有规则的图形例子。

这是构建关联规则的源代码。

import networkx as nx 

  G1 = nx.iGaph()

   

  colr_ap=\[\]

  N = 50

  colors = np.randm.rndN)   

   

   

  for i in range (rue\_o\_w):     

    G1.a\_od\_from(\["R"+st(i)\])

    

     

    for a in rsloc\[i\]\['anedts'\]:

                

        G1.dnoesrom(\[a\])

        

        G1.adedg(a, "R"+str(i))

       

    for c in ruleioc\[i\]\[''\]:

             

            G1.addnodsom()

            

            G1.adddge"R"str(i), c, colo=\[i\], weht=2)



  for noe in G1:

       fod_astring = alse

       for iem in sts:

           if nde==itm:

                found\_a\_ring = True

       if fond_sting:

            cor_mp.apend('ellw')

       else:
            cor_mapapped('green')      




  plt.show()