Začněte nyníZačněte zdarma

Prořezávání pomocí lift

Opět se hlásíš manažerce obchodu s dárkovými předměty. Tentokrát jí říkáš, že při použití vyššího prahu podpory v algoritmu Apriori jsi nenašel/a žádná pravidla a při nižším prahu pouze dvě. Pochválí tě za odvedenou práci, ale navrhuje zvážit použití jiné metriky, která by tato dvě pravidla zredukovala na jedno.

Vybavíš si, že lift má jednoduchou interpretaci: hodnoty větší než 1 znamenají, že se položky vyskytují společně častěji, než bychom čekali při jejich nezávislém rozložení napříč transakcemi. Rozhodneš se použít lift, protože tuto myšlenku bude snadné srozumitelně předat. Poznámka: pandas je dostupný jako pd, transakční data v one-hot kódování jsou dostupná jako onehot a apriori je již importován z mlxtend.

Toto cvičení je součástí kurzu

Market Basket Analysis v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Importuj funkci association_rules z mlxtend.
  • Vypočítej časté itemsety s podporou 0.001 a maximální délkou itemsetu 2.
  • Dokonči příkaz tak, aby zachoval pravidla s hodnotou lift alespoň 1.0.
  • Vypiš DataFrame s pravidly.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import the association rules function
from mlxtend.____ import ____

# Compute frequent itemsets using the Apriori algorithm
frequent_itemsets = apriori(onehot, min_support = ____, 
                            max_len = ____, use_colnames = True)

# Compute all association rules for frequent_itemsets
rules = association_rules(frequent_itemsets, 
                            metric = "____", 
                         	min_threshold = ____)

# Print association rules
print(____)
Upravit a spustit kód