Aggregation und Filtern
Im Video haben wir einer Filialleiterin eines Geschenkeshops geholfen, die Bereiche in ihrem Ladengeschäft anhand von Assoziationsregeln anzuordnen. Der Aufbau des Ladens zwang uns dazu, die Bereiche in zwei Paare von Produkttypen zu gruppieren. Nachdem wir fortgeschrittene Filtertechniken angewendet hatten, haben wir den folgenden Grundriss vorgeschlagen.
Die Filialleiterin bittet dich nun, einen weiteren Grundrissvorschlag zu erstellen – mit einem anderen Kriterium: Jedes Bereichspaar soll ein Produkt mit hohem Support und ein Produkt mit niedrigem Support enthalten. Die Daten aggregated wurden bereits aggregiert und One-Hot-encodiert. Außerdem wurden apriori() und association_rules() aus mlxtend importiert.
Diese Übung ist Teil des Kurses
Market Basket Analysis in Python
Anleitung zur Übung
- Erzeuge die Menge der häufigen Itemsets mit einem minimalen Support-Schwellenwert von 0,0001.
- Ermittle alle Regeln mit einem minimalen Support-Schwellenwert von 0,0001.
- Wähle alle Regeln mit einem Antezedenz-Support größer als 0,35 aus.
- Wähle alle Regeln mit einem maximalen Konsequenten-Support kleiner als 0,35 aus.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Apply the apriori algorithm with a minimum support of 0.0001
frequent_itemsets = apriori(aggregated, ____, use_colnames = True)
# Generate the initial set of rules using a minimum support of 0.0001
rules = association_rules(frequent_itemsets,
metric = "____", min_threshold = ____)
# Set minimum antecedent support to 0.35
rules = rules[____['antecedent support'] > ____]
# Set maximum consequent support to 0.35
rules = rules[____ < 0.35]
# Print the remaining rules
print(rules)