Python数据挖掘中，如何运用Apriori算法进行关联规则分析？

本文共计1251个文字，预计阅读时间需要6分钟。

关联规则Apriori算法+mlxtend实现Apriori算法+关联规则：是反映一个事物与其他事物之间相互依赖性和关联性的规则，常用于实体店铺或在线电商的推荐系统：通过分析商品A与商品B之间的关系，实现个性化推荐。

关联规则Apriori算法

• ​​导语​​
• ​​mlxtend实现Apriori算法​​

导语

关联规则：
是反映一个事物与其他事物之间的相互依存性和关联性

常用于实体商店或在线电商的推荐系统：通过对顾客的购买记录数据库进行关联规则挖掘，最终目的是发现顾客群体的购买习惯的内在共性，例如购买产品A的同时也连带购买产品B的概率，根据挖掘结果，调整货架的布局陈列、设计促销组合方案，实现销量的提升，最经典的应用案例莫过于<啤酒和尿布>。关联规则分析中的关键概念包括：支持度(Support)、置信度(Confidence)与提升度(Lift)。

支持度（support）
支持度 (Support)支持度是两件商品在总销售笔数(N)中出现的概率，即A与B同时被购买的概率

举例说明：
比如某超市2016年有100w笔销售，顾客购买可乐又购买薯片有20w笔，顾客购买可乐又购买面包有10w笔

• 可乐和薯片的关联规则的支持度是：20%
• 可乐和面包的支持度是10%

置信度（confidence）
置信度是购买X后再购买Y的条件概率。