EmpezarEmpieza gratis

Poda con confidence

Una vez más, te has quedado corto: has encontrado varias reglas útiles, pero no consigues reducirlo a una sola. Aún peor, las dos reglas que encontraste usan el mismo conjunto de artículos, solo que intercambian antecedentes y consecuentes. Decides comprobar si podar con otra métrica podría ayudarte a quedarte con una única regla de asociación.

¿Cuál sería la métrica adecuada? Tanto el lift como el support son idénticos para todas las reglas que se pueden generar a partir de un mismo conjunto de artículos, así que decides usar confidence, que sí difiere entre reglas producidas desde el mismo conjunto. Ten en cuenta que pandas está disponible como pd y que los datos de transacciones codificados en one-hot 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 association_rules desde mlxtend.
  • Completa la sentencia para el algoritmo apriori usando un valor de support de 0.0015 y una longitud máxima del conjunto de artículos (max_len) de 2.
  • Completa la sentencia para las reglas de asociación usando confidence como métrica y un valor umbral de 0.5.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Import the association rules function
____

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

# Compute all association rules using confidence
rules = ____(frequent_itemsets, 
                            metric = "____", 
                         	min_threshold = ____)

# Print association rules
print(rules)
Editar y ejecutar código