Führen Sie Aprili von Python auf Orange aus

Einführung

• Als ich nach einer Python-Implementierung von Apriori suchte, scheint sie in Orange implementiert zu sein, also ein Memo, als ich es ausprobierte
• Orange is a component-based data mining software.

Hinweis

• Es gibt eine neue Version von Orange 3 und eine alte Version von Orange 2 (Orange 2.7.8 vom 11. September 2016)

--Apriori-Modul in Orange 3 nicht gefunden. .. assoziiertes Modul kann nicht gefunden werden

• So installieren Sie Orange 2

Installation

Hier ist ein Beispiel für die Installation unter Ubuntu

Laden Sie die Quelldatei von Official Site herunter und extrahieren Sie sie

Erstellen und installieren Sie wie in [Python Software Foundation] beschrieben (https://pypi.python.org/pypi/Orange/2.7).

python setup.py build
python setup.py install

Wenn Sie scipy nicht benötigen, installieren Sie es

Apriori

Ich verwies auf Assoziationsanalyse

Die Daten werden wie folgt aufbereitet. Die Erweiterung muss ein Korb sein

$ more hayes-roth-train1-1.basket
a2,b2,c3,d4,D3
a3,b2,c1,d3,D1
<snip>

Lauf

>>> import Orange
>>> data = Orange.data.Table('hayes-roth-train1-1.basket')
>>> rules = Orange.associate.AssociationRulesSparseInducer(data, support=0.03, confidence=0.2, classification_rules=1, store_examples=True)
>>> print "%4s %4s %4s  %4s" % ("Supp", "Conf", "Lift", "Rule")
Supp Conf Lift  Rule
>>> for r in rules[:5]:
...     print "%4.1f %4.1f %4.1f   %s" % (r.support, r.confidence, r.lift, r)
...
 0.0  0.2  3.6   b4 -> c4
 0.0  0.3  3.6   c4 -> b4
 0.0  0.2  7.2   c4 -> b4 a1
 0.0  0.5  6.0   c4 a1 -> b4
 0.0  0.2  7.2   c4 -> b4 a1 D3

Regel extrahieren

Sehen Sie sich das folgende Dokument an und probieren Sie es aus

Association rules and frequent itemsets Orange.data.Instance Orange.data.Value

>>> len(rules)
400
>>> rules[383]
b2 a2 -> c1
>>> rules[383].left
[], {"b2":1.000, "a2":1.000}
>>> rules[383].left.get_metas(str).keys()
['a2', 'b2']
>>> rules[383].right.get_metas(str).keys()
['c1']
>>> rules[383].confidence
0.7333333492279053
>>> rules[383].support
0.07692307978868484
>>> rules[383].n_applies_both
11.0

Entspricht das Ziel der Regel?

>>> rule = rules[383]
>>> for d in data:
...     if rule.appliesBoth(d):
...         print d
...
[], {"a2":1.000, "b2":1.000, "c1":1.000, "d3":1.000, "D1":1.000}
[], {"a2":1.000, "b2":1.000, "c1":1.000, "d2":1.000, "D2":1.000}
[], {"a2":1.000, "b2":1.000, "c1":1.000, "d2":1.000, "D2":1.000}
[], {"a2":1.000, "b2":1.000, "c1":1.000, "d2":1.000, "D2":1.000}
[], {"a2":1.000, "b2":1.000, "c1":1.000, "d3":1.000, "D2":1.000}
[], {"a2":1.000, "b2":1.000, "c1":1.000, "d4":1.000, "D3":1.000}
[], {"a2":1.000, "b2":1.000, "c1":1.000, "d1":1.000, "D1":1.000}
[], {"a2":1.000, "b2":1.000, "c1":1.000, "d3":1.000, "D1":1.000}
[], {"a2":1.000, "b2":1.000, "c1":1.000, "d1":1.000, "D1":1.000}
[], {"a2":1.000, "b2":1.000, "c1":1.000, "d2":1.000, "D2":1.000}
[], {"a2":1.000, "b2":1.000, "c1":1.000, "d1":1.000, "D1":1.000}

>>> rule.examples
Orange.data.Table 'table'
>>> rule.match_both
<2, 3, 5, 40, 87, 105, 111, 116, 118, 135, 137>

abschließend

--Überprüfen Sie von nun an, ob die Geschwindigkeit herauskommt

• Gibt es einen Unterschied zum Scikit-Lernen?