操作规则挖掘包
actionrules-lukassykora的Python项目详细描述
行动规则
操作规则(actionrules)是根据中描述的分类规则算法实现的操作规则
Dardzinska, A. (2013). Action rules mining. Berlin: Springer.
GIT存储库
https://github.com/lukassykora/actionrules
安装
pip安装操作规则lukassykora
Jupyter笔记本
- Titanic这是所有可能性的最好解释。在
- Telco一个简短的演示。在
- Ras基于(Ras,Zbigniew W and Wyrzykowska,ARAS:Action rules discovery Based aggregative strategy,2007)中的例子。在
例1
从csv获取数据。 从分类规则中获取操作规则。分类规则的置信度为55%,支持率为3%。 动作规则的稳定部分是“年龄”。 灵活的属性有“上船”、“票价”、“等级”。 目标值为生存值1.0。 没有nan值。 使用减速表加速。 最少1个稳定前因 最少1个灵活的先决条件
fromactionrules.actionRulesDiscoveryimportActionRulesDiscoveryactionRulesDiscovery=ActionRulesDiscovery()actionRulesDiscovery.read_csv("data/titanic.csv",sep="\t")actionRulesDiscovery.fit(stable_attributes=["Age"],flexible_attributes=["Embarked","Fare","Pclass"],consequent="Survived",conf=55,supp=3,desired_classes=["1.0"],is_nan=False,is_reduction=True,min_stable_attributes=1,min_flexible_attributes=1,max_stable_attributes=5,max_flexible_attributes=5)actionRulesDiscovery.get_action_rules()
输出是一个列表,其中第一部分是一个操作规则,第二部分是一个元组(支持之前,支持之后,操作规则支持)和(之前的信心,之后的信心,操作规则的可信度)。在
例2
从pandas dataframe获取数据。 从分类规则中获取操作规则。分类规则的置信度为50%,支持度为3%。 稳定的属性是“年龄”和“性别”。 灵活的属性有“上船”、“票价”、“等级”。 目标是一个从0.0变为1.0的幸存者。 没有nan值。 使用减速表加速。 最少1个稳定前因 最少1个灵活的先决条件
^{pr2}$输出是一个漂亮的文本形式的操作规则列表。在
- 项目
标签: