## Apriori算法助手
> 基于[Apriori算法](https://baike.baidu.com/item/APRIORI/2000746?fr=aladdin)的頻繁項目集挖掘關聯規則學習。
### 構造函數參數
* `$support` - 支持的最小閾值,即規則“如果X然后Y”包含X和Y的樣本的比率
* `$confidence` - 最小置信度,即包含X和Y的樣本與包含X的樣本的比率
```
use Phpml\Association\Apriori;
$associator = new Apriori($support = 0.5, $confidence = 0.5);
```
*****
## 訓練
訓練關聯者只需提供訓練樣本(`$samples`)和標簽(`$labels`)。例:
```
$samples = [['alpha', 'beta', 'epsilon'], ['alpha', 'beta', 'theta'], ['alpha', 'beta', 'epsilon'], ['alpha', 'beta', 'theta']];
$labels = [];
use Phpml\Association\Apriori;
$associator = new Apriori($support = 0.5, $confidence = 0.5);
$associator->train($samples, $labels);
```
您可以使用多個數據集訓練關聯者,預測將基于所有訓練數據。
*****
## 預測
預測樣本標簽使用`predict`方法。您可以提供一個樣本或樣本數組:
```
$associator->predict(['alpha','theta']);
// return [['beta']]
$associator->predict([['alpha','epsilon'],['beta','theta']]);
// return [[['beta']], [['alpha']]]
```
*****
## 關聯
獲取生成的關聯規則只需使用`rules`方法。
```
$associator->getRules();
// return [['antecedent' => ['alpha', 'theta'], 'consequent' => ['beta'], 'support' => 1.0, 'confidence' => 1.0], ... ]
```
*****
## 頻繁的項目集
生成k長度頻繁項集只需使用`apriori`方法。
```
$associator->apriori();
// return [ 1 => [['alpha'], ['beta'], ['theta'], ['epsilon']], 2 => [...], ...]
```
- 基本介紹
- 關聯規則學習
- 分類
- SVC
- k近鄰算法
- NaiveBayes
- 回歸
- 最小二乘法
- SVR
- 聚類
- k均值聚類算法
- DBSCAN聚類算法
- 公
- 準確性
- 混亂矩陣
- 分類報告
- 工作流程
- 神經網絡
- 交叉驗證
- 隨機拆分
- 分層隨機分裂
- 特征選擇
- 方差閾值
- 特征選擇
- 預處理
- 標準化
- 缺失值補全
- 特征提取(自然語言)
- 令牌計數矢量化器(文本處理)
- Tf-idf轉換
- 數據集
- ArrayDataset
- CsvDataset
- FilesDataset
- SvmDataset
- MnistDataset
- 準備使用數據集
- Iris Dataset
- Wine Dataset
- Glass Dataset
- 模型管理
- 數學
- 距離
- 矩陣
- 組
- 統計