EmpezarEmpieza gratis

Poda con lift

Una vez más, informas a la gerente de la tienda de regalos originales. Esta vez, le cuentas que no identificaste ninguna regla cuando usaste un umbral de soporte más alto para el algoritmo Apriori y solo dos reglas cuando usaste un umbral más bajo. Te felicita por el buen trabajo, pero te pide que consideres usar otra métrica para reducir las dos reglas a una.

Recuerdas que el lift tenía una interpretación sencilla: valores mayores que 1 indican que los artículos coocurren más de lo que esperaríamos si estuvieran distribuidos de forma independiente entre las transacciones. Decides usar lift, porque ese mensaje será fácil de transmitir. Ten en cuenta que pandas está disponible como pd y que los datos de transacciones con one-hot encoding están disponibles como onehot. Además, apriori se ha importado desde mlxtend.

Este ejercicio forma parte del curso

Análisis de cesta de la compra en Python

Ver curso

Instrucciones del ejercicio

  • Importa la función association_rules de mlxtend.
  • Calcula los conjuntos de ítems frecuentes usando un soporte de 0.001 y una longitud máxima de conjunto de 2.
  • Completa la instrucción para conservar reglas con un lift de al menos 1.0.
  • Imprime el DataFrame de reglas.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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(____)
Editar y ejecutar código