《Machine Learning in Action》Chapter 11 Apriori（勘误）

本章除了python版本不兼容问题外，原书的代码在关联规则生成部分，也有很大的问题。

首先给出一个频繁项集{0,1,2,3}的关联规则生成图：

因为第一层没有用，排除第一层后，其他各层规则的右端项个数为1~3，假设频繁项集有n个项，那么规则右端的项个数为1至n-1。

下面看原书的代码：

def rulesFromConseq(freqSet, H, supportData, brl, minConf=0.7):
    m = len(H[0])
    if (len(freqSet) > (m + 1)): #try further merging
        Hmp1 = aprioriGen(H, m+1)#create Hm+1 new candidates
        Hmp1 = calcConf(freqSet, Hmp1, supportData, brl, minConf)
        if (len(Hmp1) > 1):    #need at least two sets to merge
            rulesFromConseq(freqSet, Hmp1, supportData, brl, minConf)

freqSet是频繁项集，假设项数是n，H是规则的右端，可能包含1至n-1个项。

程序的执行顺序是先合并，再计算，但是这样会漏掉一部分规则，即规则右端项数为1的情况。

因此正确的执行顺序是先计算可信度，在可信度的基础上，合并可信规则的右端，再递归调用，计算规则的可信度。

如果n=5,m=4,那么按照第一张图，是可以计算可信度的。但是此时代码的第一个if判断条件不成立，因此需要改为>=。

修改完之后的程序，第一个if判断就可以判断递归过程的终止了，因此第二个if条件也就么有用了。

正确的代码应该是：

# 从序列中提取规则
def rules_from_consequence(freq_item, H, support_data, big_rules_list, min_conf=0.5):
    m = len(H[0])
    if len(freq_item) >= (m+1):
        hmp1 = calculate_conf(freq_item, H, support_data, big_rules_list, min_conf)
        hmp1 = apriori_gen(hmp1, m - 1)
        # 此处m-1与原书不一致，是因为作者修改了自己的apriori_gen函数，读者可根据自己的情况修改
        rules_from_consequence(freq_item, hmp1, support_data, big_rules_list, min_conf)

以上内容若有不足之处，欢迎各位读者指正，谢谢！