Aprior算法--菜单支持度与置信度

最新推荐文章于 2023-07-02 16:47:46 发布

ln1°

最新推荐文章于 2023-07-02 16:47:46 发布

阅读量1.7k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：数据挖掘文章标签： python 挖掘建模关联规则

本文链接：https://blog.youkuaiyun.com/weixin_44988131/article/details/102989236

本文介绍了使用Apriori算法计算菜单中的支持度与置信度，以此来发现菜品之间的关联规则。文章详细阐述了算法的实现过程，包括寻找最大k项频繁集和计算置信度，并提供了Python代码示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Aprior算法–菜单支持度与置信度

刚开始学习数据挖掘，有很多不明白的地方，还希望各位大佬指点迷津。最近我们学到了挖掘建模里的关联规则，老师布置了一个题目用Apriori算法计算菜单的支持度与置信度，从而推出各个菜品之间的关联规则。

Apriori算法实现过程

菜单的简洁数据如下：
这是菜单的简洁数据
过程一：找最大k项频繁集
1）算法简单的扫描所有的事务，事务中的每一项都是候选1项集的集合C1的成员，计算每一项的支持度。
2)对C1中各项集的支持度与预先设定的最小支持度阈值进行比较（这里我设置的是support=0.2），保留大于或者等于该阈值的项，得1项频繁集L1.
3）扫描所有事务，由L1连接得到候选集C2，然后计算两项之间的支持度，根据最小支持度选出频繁项集L2。
4）扫描所有事务，由L1和L2连接得到候选集C3，计算三项之间的支持度，根据最小支持度选出频繁项集L3。
5）由L3与L1连接得候选集C4为空集，则可以得到最大3项频繁集是{a,b,c}，{a,c,e}。
由此过程得到的L1和L2都是频繁集，L3是最大频繁集。
A.C1候选项集每个事务计算后的支持度

项集	support
{a}	0.7
{b}	0.8
{c}	0.7
{d}	0.2
{e}	0.3

B.根据最小支持度选出的1项频繁项集L1

项集	support
{a}	0.7
{b}	0.8
{c}	0.7
{d}	0.2
{e}	0.3

C.由L1得到的候选项集C2并计算支持度

项集	support
{a,b}	0.5
{a,c}	0.5
{a,d}	0.1
{a,e}	0.3
{b,c}	0.5
{b,d}	0.2
{b,e}	0.1
{c,d}	0.1
{c,e}	0.3
{d,e}	0

根据最小支持度选出的频繁项集L2

项集	support
{a,b}	0.5
{a,c}	0.5
{a,e}	0.3
{b,c}	0.5
{b,d}	0.2
{c,e}	0.3

由L1与L2连接得到候选集C3

项集	support
{a,b,c}	0.3
{a,c,e}	0.3

根据最小支持度得出的频繁项集L3

项集	support
{a,b,c}	0.3
{a,c,e}	0.3

过程二：有频繁集产生关联规则
置信度的计算公式就是概率论里的知道A事件已发生的前提下求B发生的概率
在这里插入图片描述
下面是我在PyCharm里面运行的结果

Apriori.py

apriori.py是需要自己编的算法实现代码，然后通过包引入到同类文件下的实现代码cal_apriori.py

# -*- coding: utf-8 -*-
from __future__ import print_function
#引入pandas包
import pandas as pd
# 自定义连接函数，用于实现L_{k-1}到C_k的连接
def connect_string(x, ms):
    #进行排序后的ms和x放到一个列表里赋值给x
    x = list(map(lambda i: sorted(i.split(ms)), x))
    #把x列表的第一个元素长度赋值给l
    l = len(x