CommencezCommencez gratuitement

Élagage avec le lift

Encore une fois, vous faites rapport à la gérante de la boutique de cadeaux inusités. Cette fois, vous lui indiquez que vous n'avez trouvé aucune règle lorsque vous avez utilisé un seuil de support plus élevé pour l'algorithme Apriori et seulement deux règles avec un seuil plus bas. Elle vous félicite pour votre bon travail, mais vous demande d'envisager l'utilisation d'une autre mesure pour réduire les deux règles à une seule.

Vous vous rappelez que le lift se comprend facilement : des valeurs supérieures à 1 indiquent que les articles coapparaissent plus souvent qu'on ne s'y attendrait s'ils étaient distribués indépendamment dans les transactions. Vous décidez donc d'utiliser le lift, car ce message sera simple à transmettre. Notez que pandas est disponible sous pd et que les données de transactions codées en one-hot sont disponibles sous onehot. De plus, apriori a été importée de mlxtend.

Cette activité fait partie du cours

Analyse des paniers d'achat en Python

Voir le cours

Instructions de l’exercice

  • Importez la fonction association_rules de mlxtend.
  • Calculez les itemsets fréquents avec un support de 0.001 et une longueur maximale d'itemset de 2.
  • Complétez l'instruction pour conserver les règles avec un lift d'au moins 1.0.
  • Affichez le DataFrame de règles.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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(____)
Modifier et exécuter le code