数据挖掘从入门到放弃(四):手撕(绘)关联规则挖掘算法

数据挖掘十大算法之Apriori算法 文章目录1. “啤酒与尿布”的案例2. Aprior算法核心术语事物集记录(事务)项目(项)项目集(项集)K项集支持度(Support)置信度(Confidence)最小支持度(min_support)最小置信度(min_confidence)提升度频繁K项(目)集候选K项(目)集3. Aprior算法的三大性质(关联规则的三大性质)4. Aprior算法实现过程5. 数据挖掘5.1 寻找关联属性5.2 生成关联规则5.3 更加严谨的栗子6. Aprior算法的优缺点6.1 改进Aprior算法6.2 F 阅读详情
友情提示:篇幅较长、多图(手绘),请备好流量。

前面我们讨论了线性回归、逻辑回归、决策树和朴素贝叶斯等,今天我们来看什么呢?

关联规则简介

关联规则挖掘可以让我们从数据集中发现项与项之间的关系,它在我们的生活中有很多应用场景,“购物篮分析”就是一个常见的场景,这个场景可以从消费者交易记录中发掘商品与商品之间的关联关系,进而通过商品捆绑销售或者相关推荐的方式带来更多的销售量。

  1. 搞懂关联规则中的几个重要概念:支持度、置信度、提升度

  2. Apriori 算法的工作原理

  3. 在实际工作中,我们该如何进行关联规则挖掘

关联规则中重要的概念

我举一个超市购物的例子,下面是几名客户购买的商品列表:

订单编号购买商品
1牛奶、面包、尿布
2可乐、面包、尿布、啤酒
3牛奶、尿布、啤酒、鸡蛋
4面包、牛奶、尿布、啤酒
5面包、牛奶、尿布、可乐

支持度

支持度是个百分比,它指的是某个商品组合出现的次数与总次数之间的比例。支持度越高,代表这个组合出现的频率越大。

我们看啤酒出现了3次,那么5笔订单中啤酒的支持度是3/5=0.6。同理,尿布出现了5次,那么尿布的支持度是5/5=1。尿布和啤酒同时出现的支持度是3/6=0.6。

置信度

它指的就是当你购买了商品 A,会有多大的概率购买商品 B。

我们可以看上面的商品,购买尿布的同时又购买啤酒的订单数是3,购买啤酒的订单数是3,那么(尿布->啤酒)置信度= 3/3=1。

再看购买了啤酒同时购买尿布的订单数是3,购买尿布的订单数是5,那么(啤酒->尿布)置信度=3/5=0.6。

提升度

提升度代表的是“商品 A 的出现,对商品 B 的出现概率提升的”程度。所以我们在做商品推荐的时候,重点考虑的是提升度。

我们来看提升度公式: 那么我们来计算下尿布对啤酒的提升度是多少: 

怎么解读1.67这个数值呢?

  1. 提升度 (A→B)>1:代表有提升

  2. 提升度 (A→B)=1:代表有没有提升,也没有下降

  3. 提升度 (A→B)<1:代表有下降。

其实看上面提升度的公式,我们就可以理解,也就是AB同时出现的次数越多,单独出现B的次数越少,那么支持度也就越大也就是B的出现总是伴随着A的出现,那么A对B出现的概率就越有提升!

Apriori 的工作原理

我们一起来看下经典的关联规则 Apriori 算法是如何工作的。

Apriori 算法其实就是查找频繁项集 (frequent itemset) 的过程,所以我们需要先了解是频繁项集。

频繁项集就是支持度大于等于最小支持度阈值的项集,所以小于最小值支持度的项目就是非频繁项集,而大于等于最小支持度的项集就是频繁项集。

下面我们来举个栗子:

假设我随机指定最小支持度是0.2。首先,我们先计算单个商品的支持度:

购买商品支持度
牛奶4/5
面包4/5
尿布5/5
可乐2/5
啤酒3/5
鸡蛋1/5

因为最小支持度是 0.2,所以你能看到商品 鸡蛋 是不符合最小支持度的,不属于频繁项集,于是经过筛选商品的频繁项集如下:

购买商品支持度
牛奶4/5
面包4/5
尿布5/5
可乐2/5
啤酒3/5

在这个基础上,我们将商品两两组合,得到两个商品的支持度:

购买商品支持度
牛奶、面包3/5
牛奶、尿布4/5
牛奶、可乐1/5
牛奶、啤酒2/5
面包、尿布4/5
面包、可乐2/5
面包、啤酒2/5
尿布、可乐2/5
尿布、啤酒3/5
可乐、啤酒1/5

筛选大于最小支持度(0.2)的数据后

购买商品支持度
牛奶、面包3/5
牛奶、尿布4/5
牛奶、啤酒2/5
面包、尿布4/5
面包、可乐2/5
面包、啤酒2/5
尿布、可乐2/5
尿布、啤酒3/5

在这个基础上,我们再将商品三个组合,得到三个商品的支持度:

购买商品支持度
牛奶、面包、尿布3/5
牛奶、面包、可乐1/5
牛奶、面包、啤酒1/5
面包、尿布、可乐1/5
面包、尿布、啤酒2/5
尿布、可乐、啤酒1/5

筛选大于最小支持度(0.2)的数据后

购买商品支持度
牛奶、面包、尿布3/5
面包、尿布、啤酒2/5

在这个基础上,我们将商品四个组合,得到四个商品的支持度:

购买商品支持度
牛奶、面包、尿布、可乐1/5
牛奶、面包、尿布、啤酒1/5
面包、尿布、可乐、啤酒1/5

再次筛选大于最小支持度(0.2)数据的话,就全删除了,那么,此时算法结束,上一次的结果就是我们要找的频繁项,也就是{牛奶、面包、尿布}、{面包、尿布、啤酒}。

我们来总结一下上述Apriori算法过程:

  1. K=1,计算 K 项集的支持度

  2. 筛选掉小于最小支持度的项集

  3. 如果项集为空,则对应 K-1 项集的结果为最终结果

  4. 否则 K=K+1,重复 1-3 步

我们可以看到 Apriori 在计算的过程中有以下几个缺点:

  1. 可能产生大量的候选集。因为采用排列组合的方式,把可能的项集都组合出来了

  2. 每次计算都需要重新扫描数据集,来计算每个项集的支持度

这就好比我们数据库中的“全表扫描”查询一样,非常浪费IO和时间。在数据库中我们都知道使用索引来快速检索数据,那Apriori 能优化吗?

Apriori 的改进算法:FP-Growth 算法

FP-growth算法是基于Apriori原理的,通过将数据集存储在FP树上发现频繁项集,但不能发现数据之间的关联规则。FP-growth算法只需要对数据库进行两次扫描,而Apriori算法在求每个潜在的频繁项集时都需要扫描一次数据集,所以说Apriori算法是高效的。其中算法发现频繁项集的过程是:(1)构建FP树;(2)从FP树中挖掘频繁项集。

创建项头表

概念知识不在这凑字数了,我们直接来干货!假设我们从以下数据中来挖掘频繁项。

首先创建,项头表,这一步的流程是先扫描一遍数据集,对于满足最小支持度的单个项按照支持度从高到低进行排序,这个过程中删除了不满足最小支持度的项(假设最小支持度是0.2)。

构建FP树

整个流程是需要再次扫描数据集,对于每一条数据,按照支持度从高到低的顺序进行创建节点(也就是第一步中项头表中的排序结果),节点如果存在就将计数 count+1,如果不存在就进行创建。同时在创建的过程中,需要更新项头表的链表。

先把原始数据按照支持度排序,那么原始数据变化如下:

下面我们把以上每行数据,按照顺序插入到FP树中,注意FP树的根节点记为 NULL 节点。

接下来插入第二行数据,由于第二行数据第一个数据也是B,和已有的树结构重合,那么我们保持原来树结构中的B位置不变,同时计数加1,C、D是新增数据,那么就会有新的树分叉,结果如下图:

以此类推,读取下面的三行数据到FP树中

最后生成的FP数如下:

根据FP数挖掘频繁项

我们终于把FP树建立好了,那么如何去看这颗树呢?得到 FP 树后,需要对每一个频繁项,逐个挖掘频繁项集。具体过程为:首先获得频繁项的前缀路径,然后将前缀路径作为新的数据集,以此构建前缀路径的条件 FP 树。然后对条件 FP 树中的每个频繁项,获得前缀路径并以此构建新的条件 FP 树。不断迭代,直到条件 FP 树中只包含一个频繁项为止(反正我第一次看完这句话是没理解)。

FP树是从下往上看了,也就是根据子节点找父节点,接下来还是来图解~

首先,我们看包含A的频繁项:

我们可以看到包含A的树有两个,我们先看树2,可以得到路径{B:2,C:2},此处的2是根据A出现的次数定的。接着我们创建FP树,具体的创建过程和上面创建 FP 树的过程一样,如下图:

注意此时头指针表中包含两个元素,所以对每个元素,需要获得前缀路径,并将前缀路径创建成条件 FP 树,直到条件 FP 树中只包含一个元素时返回。

  • 对元素 B,获得前缀路径为{},则频繁项集返回{A:2,B:2};

  • 对元素 C,获得前缀路径{B:2},则将前缀路径创建成条件 FP 树,如下图  所示。

    注意此时条件 FP 树中只包含一个元素,故返回频繁项集{A:2,C:2,B:2}。由于元素 C 也是频繁项,所以{A:2,C:2}也是频繁项集。

再加上{A:2}本身就是频繁项集,所以 A 对应的频繁项集有:{A:2},{A:2,C:2} ,{A:2,B:2},{A:2,C:2,B:2}。

同理,我们来看树1,树1比较简单,就一个路径{B:1},根据上述方法我们得到此分支频繁项为{A:1,B:1},{A:1}。

综上,我们可以看到两个分支都包含频繁项{A,B},{A}的,此时我们进行合并两个分支,得到包含A的频繁项:{A:3},{A:3,B:3},{A:2,C:2} ,{A:2,C:2,B:2},我们用出现的次数转换下,即 (A,): 3, (A, B): 3, (A, C): 2, (A, B, C): 2。

同理,按照上述方法,我们可以依次找到包含B的频繁项是(D): 2, (C, D): 2, (B, D): 2, (B, C, D): 2,  (C): 4, (B, C): 4, (B): 5。

实践总结

经典的算法,很多大神已经实现,我们直接拿来用就行了,比如上面的FP-GROWTH算法,介绍一款专门的包pyfpgrowth。

代码:

import pyfpgrowth as fp
itemsets = [['A','B'], ['B','C','D'],['B','C'],['A','B','C'],['A','B','C','D']]
# 频数删选  频数大于2
patterns = fp.find_frequent_patterns(itemsets, 2)  
print(patterns)
{('D',): 2, ('C', 'D'): 2, ('B', 'D'): 2, ('B', 'C', 'D'): 2, ('A',): 3, ('A', 'B'): 3, ('A', 'C'): 2, ('A', 'B', 'C'): 2, ('C',): 4, ('B', 'C'): 4, ('B',): 5}

很对人会问算法原理看着很费劲,直接两行代码搞定。我们还看原理干嘛,直接写(抄)代码不就行了。我举个例子哈,记得上小学3年级的时候,有一次数学考试,老师出了一道附加题:

附加题(10分):求1+2+3+…+99+100的和。提示:参考梯形面积计算公式。

当然,对于一个初中生,这道题很好解答,但对于一个小学三年级的学生来说还是比较难的。但是,我知道梯形的计算公式:

梯形面积 = (上底+下底)×高÷2

所以,就按照这个计算了

1+2+3+…+99+100 = (1 + 100)x100÷2

其实,算法原理也是一样,我们了解后,可以举一反三的使用,并不一定总是在一个场景下使用的。

文末福利

各位猿们,还在为记不住API发愁吗,哈哈哈,最近发现了国外大师整理了一份Python代码速查表和Pycharm快捷键sheet,火爆国外,这里分享给大家。

这个是一份Python代码速查表

下面的宝藏图片是2张(windows && Mac)高清的PyCharm快捷键一览图

怎样获取呢?可以添加我们的AI派团队的程序媛姐姐

一定要备注【高清图】哦

????????????????????

➕我们的程序媛小姐姐微信要记得备注【高清图】哦

来都来了,喜欢的话就请分享、点赞、在看三连再走吧~~~

软件设计师之算法世界:从概率算法到数据挖掘算法的全面解析 大家好!在软件开发的学习和实践过程中,算法是核心的知识领域,它涵盖了多种不同类型的算法,每种算法都有其独特的用途和优势。今天,咱们就一起深入探索概率算法、近似算法以及数据挖掘算法,希望能在交流中共同进步,让大家对算法有更全面、更深入的理解。 阅读详情

相关推荐

使用Apriori关联规则算法实现购物篮分析

Apriori算法是一种挖掘关联规则的频繁项集算法,其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集,而且算法已经被广泛的应用到商业,网络安全等各个领域。 ...

weixin_69959830的博客 5808

关联规则挖掘(Apriori算法和FP-Growth算法)

Apriori算法的频繁项集的方式是:先产生低阶频繁项集(从1开始的)的,再由低阶频繁项集产生高阶候选项集,高阶候选项集经过支持度的度量筛选产生,最后生成同阶频繁项集。这是不断重复的“产生-测试”的过程。而FP-growth算法采用是完全不同的方式,算法的第一个核心是压缩数据集,采用的是FP_tree这样的一个数据结构来完全表示了所有的事务,第二个核心是采用了“分而治之”的思想,用递归的方式将挖掘频繁项集一步步分成各自的子问题来解决。对比于Apriori算法,FP-growth算法的特点是只需扫描两次数据库

qq_42370335的博客 7774

【机器学习-23】关联规则(Apriori)算法:介绍、应用与实现

关联规则学习是一种数据挖掘技术,旨在发现数据集中项之间的有趣关系。这些关系通常以“如果…那么…”的形式呈现,表示一种条件与结论的关联性。在商业分析中,关联规则学习常用于识别顾客购买行为中的模式,例如哪些商品经常被一起购买。通过发现这些模式,企业可以制定更有效的营销策略,提高销售额和客户满意度。关联规则学习的重要性在于它能够从大量数据中提取出有价值的信息,帮助企业更好地理解客户行为和市场需求。这些信息不仅可以用于产品推荐、交叉销售等场景,还可以为企业的战略决策提供有力支持。

qq_38614074的博客 1万+

玩转大数据22:常见的关联规则挖掘算法

关联规则挖掘是数据挖掘中的一种重要技术,主要用于发现数据集中项之间的有趣关系。关联规则挖掘在许多领域都有广泛的应用,如市场篮子分析、推荐系统等。常见的关联规则挖掘算法包括Apriori算法和FP-Growth算法。

沛哥儿的专栏 5543

白话机器学习算法理论+实战之关联规则

1. 写在前面 如果想从事数据挖掘和数据分析的工作,掌握常用的机器学习算法是非常有必要的,比如我之前写过的一篇十大机器学习算法的小总结,在这简单的先捋一捋, 常见的机器学习算法: 监督学习算法:逻辑回归,线性回归,决策树,朴素贝叶斯,K近邻,支持向量机,集成算法Adaboost等 无监督算法:聚类,降维,关联规则等 为了详细的理解这些,曾经看过西瓜书,统计学习方法,机器学习实战等书,也听过一些...

Miracle8070 5000

【机器学习与数据挖掘实战 | 商务】案例08:基于Apriori算法的商品零售购物篮分析

本案例基于Apriori算法的商品零售购物篮分析,旨在通过大数据挖掘发现商品间的关联性,提升销售策略。分析方法主要包括数据探索性分析、预处理、模型构建、分析与应用。最后解读关联规则结果,理解顾客购物习惯,根据关联规则调整商品摆放,提升购物体验和商品销量。

Morse_Chen的博客 1489

关联规则挖掘算法--Apriori算法

关联规则分析是数据挖掘中最活跃的研究方法之一,目的是在一个数据集中找到各项之间的关联关系,而这种关系并没有在数据中直接体现出来。Apriori算法关联规则学习的经典算法之一,是R.Agrawal和R.Srikartt于1944年提出的一种具有影响力的挖掘布尔关联规则挖掘频繁项集的算法。

m0_51260564的博客 4520

深入解析安卓性能分析工具systrace/atrace的使用技巧与实战场景

本文深入解析了安卓性能分析工具systrace/atrace的核心使用技巧与实战场景。文章澄清了环境搭建的常见误区,详细拆解了命令参数,并通过列表卡顿、启动优化等具体案例,手把手指导开发者利用这些工具精准定位性能瓶颈,提升应用流畅度。

yyy34的博客 241

【海量数据挖掘/数据分析】 之 关联规则挖掘 Apriori 算法 (数据集、事务、频繁项集、关联规则、支持度、置信度)

Apriori 算法 是关联规则挖掘算法 ,关联规则 反映了对象之间 相互依赖关系 ,可以通过 一个对象 的行为或属性 预测 其它对象的行为或属性;关联规则不是 因果关系, 有可能有因果关系 , 有可能没有;如 : 购买商品时 , 啤酒 与 尿布 就有关联关系 , 这两个之间肯定没有因果关系 , 有一种未知的关联关系;关联规则挖掘步骤 :① 步骤一 : 找出 支持度 ≥最小支持度阈值的 频繁项集;② 步骤二 : 根据 频繁模式 生成 满足可信度阈值的 关联规则;

仙魁XAN 2万+

避坑指南:Cursor AI生成Flutter代码时最容易翻车的5个配置细节

本文深入剖析了使用Cursor AI生成Flutter代码时,因.cursorrules配置文件不当而导致的五大常见问题。重点探讨了如何通过制定清晰、具体的规则,避免状态管理混乱、设计图输入低效、项目架构脱节、性能隐患及规则维护缺失等陷阱,从而将AI转化为高效、可靠的开发伙伴,提升代码质量和团队协作效率。

wdx0123456的博客 415

信号完整性分析学习--16--传输线效应

传输线效应 说到传输线效应,大多数人都会想到一个经验法则,那就是: “当互连线的长度大于1/6倍的信号上升时间的空间延伸时,互连线就体现出传输线效应。” 上升时间越小越容易体现传输线效应。 由此可见,同一根互连线,它是否体现传输线效应,要看它要传输什么样的信号。下图所示,一根延时为15ps的互连线,当它传输上升时间为60ps的信号时就会体现传输线效应;当它传输上升时间为180ps的信号时就不体现传输线效应。

qq_29476769的博客 7284

关联规则挖掘算法_数据挖掘从入门到放弃(四):手撕(绘)关联规则挖掘算法...

友情提示:篇幅较长、多图(手绘),请备好流量。关联规则简介关联规则挖掘可以让我们从数据集中发现项与项之间的关系,它在我们的生活中有很多应用场景,“购物篮分析”就是一个常见的场景,这个场景可以从消费者交易记录中发掘商品与商品之间的关联关系,进而通过商品捆绑销售或者相关推荐的方式带来更多的销售量。搞懂关联规则中的几个重要概念:支持度、置信度、提升度Apriori 算法的工作原理在实际工作中,...

weixin_39573535的博客 101

Cadence OrCAD Capture 原理图中创建差分对约束的两种常用方法

本文介绍在原理图设计阶段,添加差分对的方法。

fydar的博客 3932

数据分享|Weka数据挖掘Apriori关联规则算法分析用户网购数据

全文链接:http://tecdat.cn/?p=32150随着大数据时代的来临,如何从海量的存储数据中发现有价值的信息或知识帮助用户更好决策是一项非常艰巨的任务(点击文末“阅读原文”获取完整代码数据)。相关视频数据挖掘正是为了满足此种需求而迅速发展起来的,它是从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取隐含在其中的、人们事先不知道的、但又是潜在的有用信息和知识的过程。由于大数据技术的...

拓端研究室TRL 1077

第1章 机器人SLAM算法工程师主要做什么的?(附SLAM学习路线及资料推荐)

对于想从事机器人与自动驾驶领域的在校大学生、研究生来说,建图定位算法工程师是一个极具发展潜力的岗位,而SLAM知识体系则是胜任该岗位的核心支撑。从基础的计算机工具、C++语言,到核心的开源框架、数学知识,再到硬件衔接与项目实践,每一个环节都不可或缺。建议大家结合自身兴趣确定侧重方向(如激光SLAM、融合定位),先通过开源项目建立实践认知,再补全理论知识,同时积极参与社区交流。

行知SLAM 959

LeRobot 入门教程(十七)NVIDIA IsaacLab Arena 集成

LeRobotEnvHub现已集成IsaacLabArena实现GPU加速仿真,支持GR1/G1/伽利略人形机器人实体和多种操作任务。安装需满足CUDA GPU、Ubuntu系统和IsaacSim 5.1.0要求,通过conda环境配置依赖项。系统提供SmolVLA和PI0.5等预训练策略评估功能,支持视频录制和并行环境配置。环境配置选项涵盖机器人实体、任务类型、观测维度等参数,并包含针对CUDA内存、视频录制等常见问题的解决方案。此外,LightWheel AI还通过LW-BenchHub引入了包含268

2506_90492529的博客 1250

关联规则挖掘算法_数据挖掘十大经典算法之一关联规则挖掘的应用(一)

关联规则挖掘应用-“购物篮分析”将单个客户一次购买商品的总和(以收银台结账为准)称为一个购物篮。那么购物篮分析就是针对商品的相关性进行分析。因为最初这种关联分析主要是在超市应用广泛,所以也称为“购物篮分析”。购物篮分析是商业领域最前沿、最具挑战性的问题之一,也是许多企业研究的重点问题。购物篮分析是通过发现顾客在一次购买行为中放入购物篮中不同商品之间的关联,研究客户的购买行为,从而辅助零售...

weixin_39639260的博客 1199

云端全自动AI漫剧生成工作流:从模型选型到完整实现

本文提出了一套云端全自动AI漫剧生成工作流解决方案,旨在解决传统漫剧制作效率低下的问题。该系统采用"编排引擎+模型矩阵"架构,通过集成大语言模型、图像生成、视频合成等技术,实现从剧本输入到成片输出的全流程自动化。 核心内容包括: 模型选型方案:剧本解析采用DeepSeek-V3/GPT-4o,图像生成使用DALL-E 3,视频合成选用Stable Video Diffusion,语音合成采用MiniMax TTS 系统架构设计:基于Celery分布式任务队列的编排层,分解任务至各功能模块

huanghm88的专栏 646

数据挖掘概述

数据挖掘概述

2302_79851467的博客 1367

Obsidian与RAG:知识管理的未来之战

摘要: 本文对比了传统RAG、Obsidian和llm-wiki-skill三种知识管理方案。传统RAG依赖查询时临时检索,知识无法积累;Obsidian需人工整理,成本高但结构化强;llm-wiki-skill通过AI在摄入时自动编译知识为结构化Wiki,实现持续增值。核心差异在于知识处理时机——llm-wiki-skill将"查询时检索"转变为"摄入时编译",通过三层Markdown结构(sources/concepts/entities)和自动双向链接构建可进化

ZhangJiqun&191cm&85kg 637

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

数据挖掘案例-商品零售购物篮分析

数据挖掘分析案例

记录学习路上的一些拙见 2911

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

数据挖掘与统计学的关系

数据挖掘与统计学的关系 1、什么是数据挖掘?     数据挖掘(Data Mining)是采用数学的、统计的、人工智能和神经网络等领域的科学方法,如记忆推理、聚类分析、关联分析、决策树、神经网络、基因算法等技术,从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的关系、模式和趋势,并用这些知识和规则建立用于决策支持的模型,提供预测性决策支持的方法、工具和过程。     数据挖掘综合了各个学科技

yangwl的专栏--商业智能blog 4613

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

电商技术揭秘十五:数据挖掘与用户行为分析

数据挖掘与用户行为分析已经成为电商行业不可或缺的一部分,它们为电商平台提供了深入洞察用户需求、优化用户体验、提高运营效率和增加收入的强大工具。然而,随着这些技术的应用,也带来了数据安全、隐私保护和技术挑战等问题,这些问题需要电商平台、技术开发者、政策制定者和用户共同努力解决。展望未来,随着新技术的不断涌现,如人工智能、边缘计算、5G通信、区块链等,数据挖掘与用户行为分析的应用将更加深入和广泛。

沛哥儿的专栏 5553

【项目实战】Python基于Apriori关联规则算法实现商品零售购物篮分析

Python基于Apriori关联规则算法实现商品零售购物篮分析

张陈亚的博客 1万+
上一篇: NLP如何进阶?你应该先掌握四大基本任务!
下一篇: 【完结!】数据挖掘从入门到放弃(五)seaborn 的数据可视化
Wang_AI
博客等级 码龄12年 997粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值