神经网络关联性挖掘示例：牛奶和面包购买关系

以下是一个简单的基于神经网络的关联性挖掘示例程序，用于探究买牛奶和买面包的关联性：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense

# 定义训练数据集
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([0, 1, 1, 0])

# 构建神经网络模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X, y, epochs=1000, batch_size=4)

# 预测结果
predictions = model.predict(X)

# 输出预测结果
print(predictions)

这个程序使用了一个简单的两层神经网络模型，其中第一层有 4 个神经元，第二层只有 1 个神经元，用于输出二元分类结果。训练数据集包括 4 个样本，每个样本有两个特征（是否买牛奶和是否买面包），以及一个标签（0 表示不买，1 表示买）。模型在训练过程中使用了 Adam 优化器和交叉熵损失函数。在训练完成后，程序使用训练好的模型对训练数据集进行预测，并输出预测结果。

这个示例程序的关联性挖掘思路是，通过训练一个神经网络模型，将买牛奶和买面包这两个特征作为输入，将是否购买作为输出，从而探究它们之间的关联性。在训练过程中，神经网络会自动学习输入特征和输出标签之间的关系，从而得到一个能够准确预测是否购买的模型。通过观察模型的预测结果，我们可以得出买牛奶和买面包之间的关联性。例如，如果模型预测某个人会购买牛奶，那么我们可以猜测这个人也有可能会购买面包。