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
1.
2.
3.
4. import pandas as pd
5.
6.
7.
8.
9. oary = ott(daset).trafrm(dtset)
10.
11. df = pd(oh_ry, column=oht.cns)
12. print (df)
13.
1.
2.
3. frequent = apror(df, mn_upprt=0.6, useclaes=True)
4.
5. print (frequent )
6.
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。
1.
2.
3. for i in range (len(supprt)):
4.
5. suport[i] = suport[i] + 0.00 * (ranom.radint(,10)- 5)
6. confidence[i] = confidence[i] + 0.0025 * (rao.rant(1,10) - 5)
7.
8.
9. 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。
1. import networkx as nx
2.
3. G1 = nx.iGaph()
4.
5.
6.
7. colr_ap=[]
8.
9. N = 50
10.
11. colors = np.randm.rndN)
12.
13.
14.
15.
16.
17. for i in range (rue_o_w):
18.
19. G1.a_od_from(["R"+st(i)])
20.
21.
22.
23.
24.
25. for a in rsloc[i]['anedts']:
26.
27.
28.
29. G1.dnoesrom([a])
30.
31.
32.
33. G1.adedg(a, "R"+str(i))
34.
35.
36.
37. for c in ruleioc[i]['']:
38.
39.
40.
41. G1.addnodsom()
42.
43.
44.
45. G1.adddge"R"str(i), c, colo=[i], weht=2)
46.
47.
48.
49. for noe in G1:
50.
51. fod_astring = alse
52.
53. for iem in sts:
54.
55. if nde==itm:
56.
57. found_a_ring = True
58.
59. if fond_sting:
60.
61. cor_mp.apend('ellw')
62.
63. else:
64. cor_mapapped('green')
65.
66.
67.
68.
69. plt.show()
在线零售数据集的数据可视化
为了对可视化进行真实感受和测试，我们可以采用可用的在线零售商店数据集并应用关联规则图的代码。
以下是支持度和置信度的散点图结果。这次使用seaborn库来构建散点图。下面是零售数据集关联规则（前 10 条规则）的可视化。
