前言

什么是AI？
The theory and development of computer systems able to perform tasks normally requiring human intelligence.(–Oxford Dictionary)
Using data to solve problems.(–cy)

支持度、置信度、提升度

1.支持度：是个百分比，指的是某个商品组合出现的次数与总次数之间的比例，支持度越高，代表这个组合出现的频率越大；
2.置信度：置信度(A→B)是个条件概念。指的是当你购买了商品A，会有多大的概率购买商品B；
3.提升度：商品A的出现，对商品B的出现概率提升的程度。提升度(A→B)=置信度(A→B)/支持度(B);
提升度的三种可能：提升度(A→B)>1：代表有提升；提升度(A→B)=1：代表有没有提升，也没有下降；提升度(A→B)<1：代表有下降。

举例

有下图这样一组订单：

from efficient_apriori import apriori

# 设置数据集
transactions = [('牛奶','面包','尿布'),
        ('可乐','面包', '尿布', '啤酒'),
        ('牛奶','尿布', '啤酒', '鸡蛋'),
        ('面包', '牛奶', '尿布', '啤酒'),
        ('面包', '牛奶', '尿布', '可乐')]
# 挖掘频繁项集和频繁规则
itemsets, rules = apriori(transactions, min_support=0.5,  min_confidence=1)
print("频繁项集：\n", itemsets)
print("关联规则：\n", rules)

频繁项集：
{1: {(‘牛奶’,): 4, (‘尿布’,): 5, (‘面包’,): 4, (‘啤酒’,): 3}, 2: {(‘尿布’, ‘牛奶’): 4, (‘尿布’, ‘面包’): 4, (‘牛奶’, ‘面包’): 3, (‘啤酒’, ‘尿布’): 3}, 3: {(‘尿布’, ‘牛奶’, ‘面包’): 3}}
关联规则：
[{牛奶} -> {尿布}, {面包} -> {尿布}, {啤酒} -> {尿布}, {牛奶, 面包} -> {尿布}]

 #看一下频繁项集
print(itemsets)
print(type(itemsets))

{1: {(‘牛奶’,): 4, (‘尿布’,): 5, (‘面包’,): 4, (‘啤酒’,): 3}, 2: {(‘尿布’, ‘牛奶’): 4, (‘尿布’, ‘面包’): 4, (‘牛奶’, ‘面包’): 3, (‘啤酒’, ‘尿布’): 3}, 3: {(‘尿布’, ‘牛奶’, ‘面包’): 3}}
<class ‘dict’>

for k,value in itemsets.items():#最前面的数字123代表商品组合数   分别代表1件 2件 3件商品的组合
    print(k,value)#{}括号里面又是（）：数字，（）代表商品组合名称，：后面的数字代表（）商品组合出现的次数
    #支持度小于0.5的已经被pass了，因为设置的min_support=0.5

1 {(‘牛奶’,): 4, (‘尿布’,): 5, (‘面包’,): 4, (‘啤酒’,): 3}
2 {(‘尿布’, ‘牛奶’): 4, (‘尿布’, ‘面包’): 4, (‘牛奶’, ‘面包’): 3, (‘啤酒’, ‘尿布’): 3}
3 {(‘尿布’, ‘牛奶’, ‘面包’): 3}

#看一下关联规则
print(rules)#关联规则是置信度和支持度都满足
#这里的意思就是说  {}里面的组合支持度 大于0.5    并且 {}->{}  前面括号对后面括号的置信度等于1（因为设置的置信度最小值是1  本身置信度最大值也是1）
print(type(rules))

[{牛奶} -> {尿布}, {面包} -> {尿布}, {啤酒} -> {尿布}, {牛奶, 面包} -> {尿布}]
<class ‘list’>

总结

（如果您发现我写的有错误，欢迎在评论区批评指正）。

一、关联规则简介
关联规则(Apriori算法),又称为关联分析。其目的是找出，一堆事物中具有关联的事物。
关联规则最经典的案例就是“啤酒与尿布”，沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析，想知道顾客经常一起购买的商品有哪些。沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。码字不易，喜欢请点赞！！！

一个意外的发现是："跟尿布一起购买最多的商品竟是啤酒！经过大量实际调查和分析，揭示了一个隐藏在"尿布与啤酒"背后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。

二、关联规则
关联规则最重要的就是支持度Support和置信度Confidence。

1. 支持度的计算方法：

#下面式中X∩Y表示X和Y同时发生的次数，N表示总事物数
support(X->Y) = X∩Y/N

2. 置信度的计算方法：

confidence(X->Y) = support(X->Y) / support(X)
<=>
#X∩Y表示X和Y同时发生的次数，X表示X发生的次数
confidence(X->Y) = X∩Y/X

最终找到的规则，要满足支持度和置信度即可。

三、关联规则使用
关联规则的使用可以看我下面这篇博客，是一个公司机器学习岗位的笔试题。
https://blog.csdn.net/Asher117/article/details/87745195

关联规则