python数据挖掘入门与实践（一）

第一章 开启数据挖掘之旅
打开jupyter notebook的方式：
在命令提示符（cmd）中输入：jupyter notebook就可以打开Web浏览器创建新的实例。
关闭：在cmd中输入Ctrl+C，确认关闭即可。
1.3 亲和性分析
应用场景：超市商品的摆放、向网站用户推送、电影推荐等。
找出规则。对于找出的规则需要判断其优劣，通过支持度（support）和置信度（confidence）。
支持度指数据集中规则应验的次数，或者是次数除以规则有效前提下的总数量。衡量的是给定规则应验比例。
置信度是指符合给定条件的所有规则里，跟当前规则结论一致的比例有多大，衡量的是规则准确率。计算方法：当前规则的出现次数除以条件相同的规则的数量。
举例：顾客购买了苹果，也购买了香蕉为例。
给定条件即为：购买了苹果，该事件发生的次数：num_occurances
规则应验的次数为：购买了苹果而且购买了香蕉：valid_rules
规则失效的次数为：购买了苹果但是没有购买香蕉：invalid_rules
则支持度=valid_rules，置信度=valid_rules/num_occurances。
根据支持度和置信度对rules进行排名，就能得到可靠性比较高的关联规则，然后做出反应。
在该亲和性问题中，我们关心的是两个变量之间的关系，比如：如何卖出更过的苹果。
亲和性分析算法的目标是从数据集中发现用以指导实践的规则。
也可以将是否购买苹果作为标签，转化成一个二分类问题，只寻求顾客购买苹果的规则
1.4 分类问题。建立一个能够根据已有知识对没有见过的个体进行分类的模型。
以莺尾花分类为例，使用sklearn.datasets中的iris数据。
（使用的算法为 ，要求使用类别型特征值）首先将数据集中的连续值特征转化为离散值，该过程叫作离散化。
最简单的离散化算法，莫过于确定一个阈值，将低于该阈值的特征值置为0，高于阈值的置
为1。我们把某项特征的阈值设定为该特征所有特征值的均值。每个特征的均值计算方法如下。

attribute_means = X.