LoslegenKostenlos loslegen

Assoziationsregeln erzeugen

In der letzten Übung des vorherigen Abschnitts hast du für den Geschenkartikel-Shop-Owner mit dem Apriori-Algorithmus Itemsets berechnet. Du hast mitgeteilt, dass das Senken von support von 0.005 auf 0.003 die Anzahl der Itemsets von 9 auf 91 erhöht hat. Eine weitere Senkung auf 0.001 steigerte die Anzahl auf 429. Zufrieden mit deiner deskriptiven Arbeit bittet dich die Filialleitung nun, aus den beiden von dir berechneten Mengen an häufigen Itemsets einige Assoziationsregeln zu identifizieren.

Beachte: pandas wurde bereits als pd importiert und die beiden häufigen Itemsets sind als frequent_itemset_1 und frequent_itemset_2 verfügbar. Dein Ziel ist es, herauszufinden, welche Assoziationsregeln aus diesen Itemsets abgeleitet werden können.

Diese Übung ist Teil des Kurses

Market Basket Analysis in Python

Kurs anzeigen

Anleitung zur Übung

  • Importiere den Algorithmus aus mlxtend, der Assoziationsregeln aus den Ergebnissen des apriori-Algorithmus berechnet.
  • Vervollständige die Anweisung, um Assoziationsregeln für frequent_itemsets_1 mit der Metrik support und einem Schwellenwert von 0.0015 zu berechnen.
  • Vervollständige die Anweisung, um Assoziationsregeln für frequent_itemsets_2 mit der Metrik support und einem Schwellenwert von 0.0015 zu berechnen.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import the association rule function from mlxtend
from mlxtend.____ import ____

# Compute all association rules for frequent_itemsets_1
rules_1 = association_rules(frequent_itemsets_1, 
                            metric = "____", 
                         	min_threshold = ____)

# Compute all association rules for frequent_itemsets_2
rules_2 = association_rules(frequent_itemsets_2, 
                            metric = ____, 
                        	____)

# Print the number of association rules generated
print(len(rules_1), len(rules_2))
Code bearbeiten und ausführen