LoslegenKostenlos loslegen

Pruning mit Lift

Wieder berichtest du der Filialleiterin des Geschenkartikel-Ladens. Dieses Mal erzählst du ihr, dass du keine Regeln gefunden hast, als du für den Apriori-Algorithmus einen höheren Support-Schwellenwert verwendet hast, und nur zwei Regeln bei einem niedrigeren Schwellenwert. Sie lobt deine gute Arbeit, bittet dich aber, eine weitere Kennzahl zu nutzen, um die zwei Regeln auf eine zu reduzieren.

Du erinnerst dich, dass Lift eine einfache Interpretation hat: Werte größer als 1 bedeuten, dass Artikel häufiger gemeinsam auftreten, als man erwarten würde, wenn sie unabhängig über Transaktionen verteilt wären. Du entscheidest dich für Lift, da sich diese Botschaft leicht vermitteln lässt. Beachte, dass pandas als pd verfügbar ist und die One-Hot-kodierten Transaktionsdaten als onehot vorliegen. Außerdem wurde apriori aus mlxtend importiert.

Diese Übung ist Teil des Kurses

Market Basket Analysis in Python

Kurs anzeigen

Anleitung zur Übung

  • Importiere die Funktion association_rules aus mlxtend.
  • Berechne die häufigen Itemsets mit einem Support von 0.001 und einer maximalen Itemset-Länge von 2.
  • Vervollständige die Anweisung, um Regeln mit einem Lift von mindestens 1.0 beizubehalten.
  • Gib den DataFrame mit den Regeln aus.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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(____)
Code bearbeiten und ausführen