本文共 4611 字，大约阅读时间需要 15 分钟。

���������������������������������

������������������������ ����328 Pilaf ���������������������������������������������������������������������������������������������������

������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������

���������������������������������������������

���������������������IPython Notebook������������������������������������������������������IPython��������� notebooks ���������������������������������������������������������������������������������������

pip install ipython[all]
ipython3 notebook

������IPython Notebook������������������������������������������������������������������������������������������������������������Notebook������������������ ctrl+c ������������

������������������������scikit-learn������������������������������������������������������������������������������������������������������������������������������������������������

pip3 install -U scikit-learn

���������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������

1. ���������������

���������������������������

import numpy as np
filename = 'affinity_dataset.txt'
x = np.loadtxt(filename)
n_samples, n_features = x.shape
print("��������������� {} ������������ {} ���������".format(n_samples, n_features))

���������������������������������������5������������������������

[1, 0, 1, 1, 1]
[1, 1, 0, 1, 0]
[0, 1, 1, 0, 1]
[1, 0, 1, 1, 0]
[1, 1, 1, 1, 0]

2. ������������

������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������

num_apple = 0
num_banana = 0
for sample in x:
    if sample[3] == 1:  # ������������������
        num_apple += 1
    if sample[4] == 1:  # ������������������
        num_banana += 1
print("������������������������{}", num_apple)
print("������������������������{}", num_banana)

������������������������������������������������������������������������������������������������������

from collections import defaultdict
valid_rules = defaultdict(int)
invalid_rules = defaultdict(int)
num_occurances = defaultdict(int)
for sample in x:
    for premise in range(n_features):
        num_occurances[premise] += 1
        if sample[premise] == 0:
            continue
        for conclusion in range(n_features):
            if premise == conclusion:
                continue
            if sample[conclusion] == 1:
                valid_rules[(premise, conclusion)] += 1
            else:
                invalid_rules[(premise, conclusion)] += 1
support = valid_rules
confidence = defaultdict(float)
for premise, conclusion in valid_rules.keys():
    confidence[premise, conclusion] = support[(premise, conclusion)] / num_occurances[premise]

3. ������������

���������������������������������������������������������������������������������������������������������������������������������������������������

from operator import itemgeter
# ������������������
sorted_support = sorted(support.items(), key=itemgeter(1), reverse=True)
# ������������������
sorted_confidence = sorted(confidence.items(), key=itemgeter(1), reverse=True)

���������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������

4. ������������������

���������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������

���������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������