Python在线零售数据关联规则挖掘Apriori算法数据可视化算法机器学习人工智能深度学

原文链接：http://tecdat.cn/?p=23955 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

import pandas as pdoary = ott(daset).trafrm(dtset)df = pd(oh_ry, column=oht.cns) print (df)

【Python在线零售数据关联规则挖掘Apriori算法数据可视化】

文章图片

frequent = apror(df, mn_upprt=0.6, useclaes=True)print (frequent )

文章图片

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。

for i in range (len(supprt)):suport\[i\] = suport\[i\] + 0.00 * (ranom.radint(,10)- 5) confidence\[i\] = confidence\[i\] + 0.0025 * (rao.rant(1,10) - 5)plt.show()

以下是支持度和置信度的散点图：

文章图片

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）

文章图片

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。

文章图片

这是构建关联规则的源代码。

import networkx as nx G1 = nx.iGaph()colr_ap=\[\]N = 50colors = np.randm.rndN)for i in range (rue\_o\_w):G1.a\_od\_from(\["R"+st(i)\])for a in rsloc\[i\]\['anedts'\]:G1.dnoesrom(\[a\])G1.adedg(a, "R"+str(i))for c in ruleioc\[i\]\[''\]:G1.addnodsom()G1.adddge"R"str(i), c, colo=\[i\], weht=2)for noe in G1:fod_astring = alsefor iem in sts:if nde==itm:found\_a\_ring = Trueif fond_sting:cor_mp.apend('ellw')else: cor_mapapped('green')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。

文章图片

文章图片

最受欢迎的见解
1.探析大数据期刊文章研究热点
2.618网购数据盘点-剁手族在关注什么
3.r语言文本挖掘tf-idf主题建模，情感分析n-gram建模研究
4.python主题建模可视化lda和t-sne交互式可视化
5.r语言文本挖掘nasa数据网络分析，tf-idf和主题建模
6.python主题lda建模和t-sne可视化
7.Python中的Apriori关联算法市场购物篮分析
8.通过Python中的Apriori算法进行关联规则挖掘
9.python爬虫进行web抓取lda主题语义数据分析