Začněte nyníZačněte zdarma

Prořezávání podle confidence

Znovu jsi narazil/a na problém: našel/a jsi více užitečných pravidel, ale nedaří se ti zúžit výběr na jedno jediné. Ještě horší je, že tato dvě pravidla vycházejí ze stejné množiny položek – liší se jen tím, že mají prohozené antecedenty a konsekeventy. Rozhodneš se proto zkusit prořezávání podle jiné metriky, abys dostal/a na jeden výsledek.

Jaká metrika by byla vhodná? Lift i support jsou pro všechna pravidla generovaná ze stejné množiny položek totožné, takže sáhneš po confidence – ta se pro pravidla ze stejné množiny lišit může. Poznámka: pandas je k dispozici jako pd, one-hot enkódovaná transakční data jsou dostupná jako onehot a apriori byl naimportován z mlxtend.

Toto cvičení je součástí kurzu

Market Basket Analysis v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Importuj association_rules z mlxtend.
  • Dokonči příkaz pro algoritmus apriori s hodnotou support 0,0015 a maximální délkou množiny položek 2.
  • Dokonči příkaz pro asociační pravidla s použitím confidence jako metriky a prahovou hodnotou 0,5.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import the association rules function
____

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

# Compute all association rules using confidence
rules = ____(frequent_itemsets, 
                            metric = "____", 
                         	min_threshold = ____)

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