CommencezCommencez gratuitement

Élagage selon la confiance

Encore une fois, vous restez sur votre faim : vous avez trouvé plusieurs règles utiles, mais vous n'arrivez pas à en isoler une seule. Pire encore, les deux règles repérées reposent sur le même ensemble d'articles, avec les antécédents et les conséquents simplement interchangés. Vous décidez donc de vérifier si l'élagage selon une autre mesure pourrait vous permettre de ne retenir qu'une seule règle d'association.

Quelle serait la bonne mesure? Le lift et le support sont identiques pour toutes les règles pouvant être générées à partir d'un même ensemble d'articles. Vous choisissez donc plutôt la confiance, qui varie d'une règle à l'autre même lorsqu'elles proviennent du même ensemble. Notez que pandas est disponible sous pd et que les transactions à codage binaire sont disponibles sous onehot. De plus, apriori a été importé depuis mlxtend.

Cette activité fait partie du cours

Analyse des paniers d'achat en Python

Voir le cours

Instructions de l’exercice

  • Importez association_rules depuis mlxtend.
  • Complétez l'instruction pour l'algorithme apriori en utilisant une valeur de support de 0,0015 et une longueur maximale d'ensemble d'articles de 2.
  • Complétez l'instruction pour les règles d'association en utilisant la confiance comme mesure et une valeur seuil de 0,5.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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)
Modifier et exécuter le code