如何解释Mlxtend的关联规则结果

Question

我正在使用mlxtend查找关联规则：

代码如下：

df = apriori(dum_data, min_support=0.4, use_colnames=True)
rules = association_rules(df, metric="lift", min_threshold=1)
rules2=rules[ (rules['lift'] >= 1) & (rules['confidence'] >= 0.7) ]

输出：

antecedents             consequents    antecedentsupport    consequentsupport   support confidence  lift      leverage  conviction
frozenset({'C'})        frozenset({'B'})        0.63        0.705                   0.45    0.726   1.030       0.013   1.077
frozenset({'A'})        frozenset({'B'})        0.98        0.705                   0.69    0.70    1.003       0.0007  1.00081
frozenset({'A', 'C'})   frozenset({'B'})        0.63        0.705                   0.45    0.72    1.030       0.013   1.0776

我已经给了一个min support=0.4。antecedentsupport、consequentsupport和support之间的区别是什么

lift and leverage?是什么意思?如何判断它的好坏？

置信度我可以理解的是，对于输出中的第一个规则，C和B一起出现的次数。？对吗？

Answer 1

以第三个规则({A，C} => {B})为例：

support = support of {A，B，C} | support意味着，您计算包含{A，B，C}中所有三个的事务数，并将其除以事务总数。

antecedentsupport =支持先于=>的内容，表示支持{A，C}

结果支持=支持=>之后的内容，表示支持{B}

置信度=在我们观察到{A，C}之后，事务另外包含{B}的可能性有多大。可以将其视为条件概率p(给定{A，C}，则B)。

Lift : lift的定义可以在这里找到：wikipedia。这意味着，如果升力<1，则{A，C}和{B}一起出现的频率低于预期。如果升力大于1，则C}和{B}一起出现的频率比预期的要高。

杠杆作用大致相同。它还比较了预期的共现和观察到的共现。进一步的解释，例如here

什么是一个好的提升/杠杆是主观的，但我建议提升> 1。如果涉及到规则，我会更多地考虑信心。