AI ninja project [day 9] 先验演算法

除了在机器学习与深度学习的演算法，
其实还有一些演算法，可以帮忙做资料整理，
或是进行推导，寻找关联性，
像是这篇介绍的Apriori Algorithm。

也有些演算法像是基因演算法，能用来解决困难的数学问题，
，持续优化寻找更佳的解来解方程序。

那这里使用mlxtend这个套件，进行安装:

pip install mlxtend

接着可以看官网的范例:
http://rasbt.github.io/mlxtend/user_guide/frequent_patterns/apriori/

import pandas as pd
from mlxtend.preprocessing import TransactionEncoder

dataset = [['Milk', 'Onion', 'Nutmeg', 'Kidney Beans', 'Eggs', 'Yogurt'],
           ['Dill', 'Onion', 'Nutmeg', 'Kidney Beans', 'Eggs', 'Yogurt'],
           ['Milk', 'Apple', 'Kidney Beans', 'Eggs'],
           ['Milk', 'Unicorn', 'Corn', 'Kidney Beans', 'Yogurt'],
           ['Corn', 'Onion', 'Onion', 'Kidney Beans', 'Ice cream', 'Eggs']]


te = TransactionEncoder()
te_ary = te.fit(dataset).transform(dataset)

df = pd.DataFrame(te_ary, columns=te.columns_)

print(df)

dataset为顾客的购买资料，有客人可能买了五样商品，有人买了七样。

将资料格式使用TransactionEncoder转换成布林值的one_hot_encoder。

from mlxtend.frequent_patterns import apriori

result = apriori(df, use_colnames=True)
print(result)

可以发现Eggs、 Kidney Beans，这两个商品的关联度是最大的，
可以考虑是否将两个商品排近一点或是一起买的话祭出优惠。

值得注意的是apriori()这个function能设定最低支持度(min_support)这个参数，都不设定的话，
预设值为0.5。调太高的话，门槛越严格，回传项目越少。

那我们也可以进一步将详细的关联规则，进一步印出。

from mlxtend.frequent_patterns import association_rules

return_association_rule =  association_rules(result, metric="confidence", min_threshold=0.7)
print(return_association_rule)