Začněte nyníZačněte zdarma

Pokročilé filtrování s více metrikami

V předchozí části jsme pracovali s daty z online obchodu s dárkovými předměty a hledali antecedenty, které by šlo využít k cílené propagaci konkrétního konsequentu. Protože potenciálních pravidel bylo hodně, museli jsme se spolehnout na Apriori algoritmus a filtrování podle více metrik. V tomto cvičení prozkoumáš celou sadu pravidel a najdeš ta skutečně užitečná – tentokrát bez zaměření na konkrétní antecedent.

Data jsou už načtena, předzpracována a zakódována metodou one-hot encoding a jsou dostupná jako onehot. Funkce apriori() a association_rules() jsou importovány z mlxtend. V tomto cvičení použiješ Apriori algoritmus k identifikaci častých itemsetů, z nich pak získáš asociační pravidla a aplikuješ filtrování podle více metrik.

Toto cvičení je součástí kurzu

Market Basket Analysis v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Aplikuj Apriori algoritmus na one-hot zakódované itemsety s minimálním prahem podpory 0,001.
  • Extrahuj asociační pravidla s minimálním prahem podpory 0,001.
  • Nastav antecedent_support na 0,002 a consequent_support na 0,01.
  • Nastav confidence na hodnotu vyšší než 0,60 a lift na hodnotu vyšší než 2,50.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Apply the Apriori algorithm with a minimum support threshold of 0.001
frequent_itemsets = ____(onehot, min_support = ____, use_colnames = True)

# Recover association rules using a minium support threshold of 0.001
rules = ____(frequent_itemsets, metric = '____', min_threshold = 0.001)

# Apply a 0.002 antecedent support threshold, 0.60 confidence threshold, and 2.50 lift threshold
filtered_rules = rules[(rules['antecedent support'] > ____) &
						(____['consequent support'] > 0.01) &
						(rules['____'] > ____) &
						(____ > 2.50)]

# Print remaining rule
print(filtered_rules[['antecedents','consequents']])
Upravit a spustit kód