Agregación y filtrado
En el video, ayudamos a la responsable de una tienda de regalos a organizar las secciones de su tienda física según reglas de asociación. La distribución de la tienda nos obligó a agrupar las secciones en dos pares de tipos de producto. Tras aplicar técnicas avanzadas de filtrado, propusimos el siguiente diseño del establecimiento.
Ahora, la gerente de la tienda te pide que propongas otro plano de planta, pero con un criterio diferente: cada par de secciones debe contener un producto de soporte alto y otro de soporte bajo. Los datos, aggregated, ya han sido agregados y codificados en one-hot para ti. Además, apriori() y association_rules() se han importado desde mlxtend.
Este ejercicio forma parte del curso
Análisis de cesta de la compra en Python
Instrucciones del ejercicio
- Genera el conjunto de itemsets frecuentes con un umbral mínimo de soporte de 0.0001.
- Identifica todas las reglas con un umbral mínimo de soporte de 0.0001.
- Selecciona todas las reglas con un soporte del antecedente mayor que 0.35.
- Selecciona todas las reglas con un soporte del consecuente máximo menor que 0.35.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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)