親和性分析，分析物品之間的相關性

#親和性分析，分析物品之間的相關性，使用了支援度support和置信度confidence

#簡化了**的實現，使用到的規則只有單一性，即只存在購買某件商品（只有一樣商品）推測購買另一件商品（也只有一件商品）的可能性
#說明：記錄的結構是類似於[0,0,0,1,1]，其中0表示沒購買，1表示購買，不表示購買的數量。
#通過與下面的features對應，形成真實世界中的購物記錄，比如[0,0,0,1,1]表示購買了蘋果和香蕉
import numpy as np
from collections import defaultdict
from operator import itemgetter
valid_rules = defaultdict(int)
invalid_rules = defaultdict(int)
num_occurances = defaultdict(int)
support = defaultdict(int) 
confidence = defaultdict(int)
#將資料集以按規則進行存放，即有效規則，無效規則和購買的商品出現的次數
defdealdatas
(): dataset_filename = "affinity_dataset.txt" 
x = np.loadtxt(dataset_filename) #載入資料集
for sample in x: #遍歷資料集中的每一條記錄資料[0,0,0,1,1]
for premise in range(len(features)): #遍歷每一條記錄資料裡的單個商品購買情況
if sample[premise] == 0: 
continue
num_occurances[premise] += 1
#儲存購買過的商品
for conclusion in range(len(features)): 
if premise == conclusion:
continue
if sample[conclusion] == 1:
valid_rules[(premise, conclusion)] += 1
#儲存同時購買premise, conclusion表示的商品的資訊(規則)
else:
invalid_rules[(premise, conclusion)] += 1
for premise, conclusion in valid_rules.keys():
#支援度：通過輸入條件premise，得到結論conclusion的規則個數。即premise->conclusion的規則條數
support[(premise, conclusion)] = valid_rules[(premise, conclusion)]
#置信度:條件概率
if num_occurances[premise] != 0:
confidence[(premise, conclusion)] = valid_rules[(premise, conclusion)] / float(num_occurances[premise])
#使用定義的features格式化輸出對應於現實世界中的資訊 
defprint_rules
(premise, conclusion): 
premise_name = features[premise]
conclusion_name = features[conclusion]
print("rule: if a person buy they will buy ".format(premise_name, conclusion_name))
print("-support :".format(support[(premise, conclusion)]))
print("-confidence :".format(confidence[(premise, conclusion)]))
if __name__ == "__main__":
dealdatas()
#檢視想要知道的規則的支援度和置信度
print_rules(1, 3) #規則(1,3)表示購買牛奶後也會購買香蕉的規則
print_rules(3, 1)
print_rules(3, 4)
#按照置信度獲取top5(前5條置信度最大的規則)
sorted_support = sorted(confidence.items(), key=itemgetter(1), reverse=true)
for index in range(5):
print("rule #".format(index+1))
premise,conclusion = sorted_support[index][0]
print_rules(premise,conclusion)

親和性分析

小編最近在看 robert layton 的資料探勘，寫隨筆一方面為了加深印象，一方面為了以後方便看。通常 為了增大需求，常常把顧客願意一起買的東西放在一起。這樣顧客買的機率較大，能夠刺激消費。最簡單的例子就是，你買了羊肉卷，那你肯定也想買墨魚丸，買了墨魚丸，想到了火鍋底料，如果你沒有想到的化，那麼...

spearman相關性分析 相關性分析

r語言常用函式 cor 預設結果為矩陣 cor mydat,use method use 缺失值的處理，method 處理方法 cor x,y 可以計算非方形矩陣，x y分別為2個矩陣，相同的行數 cor.test x,y,alternative method x y為檢驗相關性的變數 librar...

相關性分析

1.圖表 折線圖 散點圖2.協方差及協方差矩陣協方差 用來衡量兩個變數的總體誤差。只能對兩組資料進行分析 3.相關係數 correlation coefficience 可以對相關的密切程度進行度量弊端 因為沒有模型，所以無法進行 正態性檢驗 t檢驗 假設檢驗 異常值檢驗 箱線圖法 q1 位於25 ...