资料内容：
1.2 机器学习的应用实例
本节覆盖机器学习五大核心应用场景，每个场景均提供完整可运行 Python 代码（含详细注释）、效果对比可视化（同窗口展示），并适配 matplotlib 中文显示，直接复制即可运行。
通用前置配置
所有案例均基于以下环境和前置代码，提前安装依赖：
通用导入 + 中文显示配置（每个案例均需包含）：
1 # 通用导入
2 import numpy as np
3 import pandas as pd
4 import matplotlib.pyplot as plt
5 from sklearn import datasets
6 from sklearn.model_selection import train_test_split
7 from sklearn.preprocessing import StandardScaler
8 from sklearn.metrics import accuracy_score, mean_squared_error
9
10 # Matplotlib中文显示配置（解决中文乱码、负号显示问题）
11 plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans'] # 支持中文
12 plt.rcParams['axes.unicode_minus'] = False # 支持负号
13 plt.rcParams['font.family'] = 'sans-serif
1.2.1 学习关联性
核心概念
学习关联性（关联规则学习）是从海量数据中挖掘特征之间、样本之间的潜在关联关系，核心是发现 “哪些特征经常一起出现”，典型应用：电商购物篮分析（买 A 的人 80% 会买
B）、推荐系统、用户行为分析。
核心原理
最经典的算法是Apriori，核心指标：
支持度：某特征组合出现的频率，反映组合的普遍性；
置信度：在 A 出现的前提下 B 出现的概率，反映关联的可靠性；
提升度：A 出现时 B 的概率 / B 单独出现的概率，提升度 > 1 表示有效关联。
