Začněte nyníZačněte zdarma

Hledání častých itemsetů pomocí Apriori

Cvičení s agregací pro online prodejce se ukázalo jako užitečné – poskytlo výchozí bod pro pochopení toho, které kategorie zboží se v transakcích objevují nejčastěji. Prodejce teď chce prozkoumat jednotlivé položky samotné a zjistit, které z nich jsou časté.

V tomto cvičení aplikuješ algoritmus Apriori na dataset online prodejce bez předchozí agregace. Tvým cílem bude ořezat itemsety pomocí minimální hodnoty podpory a maximálního počtu položek. Všimni si, že pandas je importován jako pd a one-hot zakódovaná data jsou dostupná jako onehot.

Toto cvičení je součástí kurzu

Market Basket Analysis v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Předej onehot algoritmu Apriori.
  • Nastav minimální hodnotu podpory na 0.006.
  • Nastav maximální délku itemsetu na 3.
  • Vypiš náhled prvních pěti itemsetů.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import apriori from mlxtend
from mlxtend.frequent_patterns import apriori

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

# Print a preview of the frequent itemsets
print(____.head())
Upravit a spustit kód