怎么做网站数据分析,辽宁建设工程信息网专家名单,php网站开发教程 pdf,定制做网站平台通过Apriori算法挖掘以下事务集合的频繁项集#xff1a; 流程图 代码
# 导入必要的库
from itertools import combinations# 定义Apriori算法函数
def apriori(transactions, min_support, min_confidence):# 遍历数据#xff0c;统计每个项的支持度 item_support {}for tr…通过Apriori算法挖掘以下事务集合的频繁项集 流程图 代码
# 导入必要的库
from itertools import combinations# 定义Apriori算法函数
def apriori(transactions, min_support, min_confidence):# 遍历数据统计每个项的支持度 item_support {}for transaction in transactions:for item in transaction:if item not in item_support:item_support[item] 0item_support[item] 1# 计算总事务数total_transactions len(transactions)# 计算频繁项集frequent_itemsets {}for item, support in item_support.items():if support / total_transactions min_support: # 即该项集在事务数据库中出现的次数除以总数frequent_itemsets[(item,)] support / total_transactions# 生成候选项集并迭代生成频繁项集k 2while True:candidates set() # 存储所有可能的项集for itemset in frequent_itemsets.keys():for item in itemset:candidates.add(item)# 生成候选项集candidates list(combinations(candidates, k)) # 生成所有可能的k项集# 统计候选项集的支持度candidate_support {}for transaction in transactions:for candidate in candidates:if set(candidate).issubset(set(transaction)):if candidate not in candidate_support:candidate_support[candidate] 0candidate_support[candidate] 1# 更新频繁项集frequent_itemsets_k {}for candidate, support in candidate_support.items():if support / total_transactions min_support:frequent_itemsets_k[candidate] support / total_transactions# 如果没有频繁项集则停止迭代if not frequent_itemsets_k:breakfrequent_itemsets.update(frequent_itemsets_k)k 1# 生成关联规则rules []for itemset in frequent_itemsets.keys():if len(itemset) 2:for i in range(1, len(itemset)):for combination in combinations(itemset, i):X combinationY tuple(set(itemset) - set(combination))confidence frequent_itemsets[itemset] / frequent_itemsets[X]if confidence min_confidence:rules.append((X, Y, frequent_itemsets[itemset], confidence))# frequent_itemsets (dict): 频繁项集和对应的支持度键为项集的元组值为支持度# rules (list): 关联规则每一条规则表示为一个元组 (X, Y)其中X为前项集合Y为后项集合return frequent_itemsets, rules# 示例数据集
transactions [ [I1, I2, I5],[I2, I4],[I2, I3],[I1, I2, I4],[I1, I3],[I2, I3],[I1, I3],[I1, I2, I3, I5],[I1, I2, I3]
]
# 设置最小支持度和最小置信度阈值
min_support 0.3
min_confidence 0.6
# 调用Apriori算法函数
frequent_itemsets, rules apriori(transactions, min_support, min_confidence)
print(频繁项集和对应的支持度)
for itemset, support in frequent_itemsets.items():print({}: Support {:.2f}.format(itemset, support))
# 输出关联规则和置信度
print(\n关联规则和置信度)
for X, Y, support, confidence in rules:print({} {}: Support {:.2f}, Confidence {:.2f}.format(X, Y, support, confidence)) 输出结果截图
