【Python数据挖掘课程笔记】八.关联规则挖掘及Apriori实现购物推荐

最新推荐文章于 2025-06-08 00:00:57 发布

湾区人工智能

最新推荐文章于 2025-06-08 00:00:57 发布

阅读量1.3k

点赞数

CC 4.0 BY-SA版权

分类专栏：学习总结

本文链接：https://blog.youkuaiyun.com/BTUJACK/article/details/79668274

本文介绍了关联规则挖掘的概念，包括支持度和置信度，并详细讲解了Apriori算法如何挖掘频繁项集。通过Python实现关联规则挖掘，用于购物推荐场景。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

#2018-03-23 10:48:40 March Friday the 12 week, the 082 day SZ SSMR

【Python数据挖掘课程笔记】八.关联规则挖掘及Apriori实现购物推荐 
  1.关联规则挖掘概念及实现过程；
        2.Apriori算法挖掘频繁项集；
        3.Python实现关联规则挖掘及置信度、支持度计算。


一. 关联规则挖掘概念及实现过程
 1.关联规则
        关联规则（Association Rules）是反映一个事物与其他事物之间的相互依存性和关联性，如果两个或多个事物之间存在一定的关联关系，那么，其中一个事物就能通过其他事物预测到。关联规则是数据挖掘的一个重要技术，用于从大量数据中挖掘出有价值的数据项之间的相关关系。
典型案例：美国沃尔玛超市尿布和啤酒的故事
2.常见案例
3.置信度与支持度
度量一个规则是否够好？有两个量，置信度（Confidence）和支持度（Support），
 (3) 支持度
        支持度（Support）计算在所有的交易集中，既有A又有B的概率
 (4) 置信度
        置信度（confidence）表示了这条规则有多大程度上值得可信
 (5) 最小支持度与频繁集
        发现关联规则要求项集必须满足的最小支持阈值，称为项集的最小支持度（Minimum Support），记为supmin。支持度大于或等于supmin的项集称为频繁项集，简称频繁集，反之则称为非频繁集。通常k-项集如果满足supmin，称为k-频繁集，记作Lk。关联规则的最小置信度（Minimum Confidence）记为confmin，它表示关联规则需要满足的最低可靠性。
  (6) 关联规则

 (7) 强关联规则
        如果规则R：X=>Y 满足 support(X=>Y) >= supmin 且 confidence(X=>Y)>=confmin，称关联规则X=>Y为强关联规则，否则称关联规则X=>Y为弱关联规则。
二. Apriori算法挖掘频繁项集
Apriori算法将发现关联规则的过程分为两个步骤：
        1.通过