神经网络关联性挖掘示例：牛奶与面包购买关系

以下是一个基于神经网络的关联性挖掘示例程序，用于探究购买牛奶和购买面包的关联性：

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

# 构建数据集
data = np.array([[1, 1], [1, 0], [0, 1], [0, 0]])
labels = np.array([1, 0, 0, 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'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(data, labels, epochs=1000, batch_size=4)

# 预测结果
predictions = model.predict(data)
print(predictions)

在这个示例程序中，我们使用了一个包含两个输入节点和一个输出节点的神经网络模型。我们将购买牛奶和购买面包作为输入数据，将是否购买面包作为输出标签。

我们使用了ReLU激活函数和sigmoid激活函数来构建模型，并使用二元交叉熵作为损失函数和Adam优化器进行训练。我们训练了模型1000次，并使用批量大小为4。

最后，我们使用训练好的模型对数据进行预测，并输出预测结果。

通过这个示例程序，我们可以探究购买牛奶和购买面包之间的关联性，并使用神经网络模型进行预测。