CommencezCommencez gratuitement

Agrégation et filtrage

Dans la vidéo, nous avons aidé la gérante d'une boutique de cadeaux à organiser les zones de son magasin physique en fonction des règles d'association. La configuration des lieux nous a amenés à regrouper les zones en deux paires de types de produits. Après avoir appliqué des techniques avancées de filtrage, nous avons proposé l'aménagement ci‑dessous.

L'image montre l'aménagement du magasin retenu dans la vidéo.

La gérante vous demande maintenant de produire une autre proposition de plancher, mais selon un autre critère : chaque paire de zones doit regrouper un produit à fort support et un produit à faible support. Les données aggregated ont déjà été agrégées et encodées en valeurs binaires (one‑hot). De plus, apriori() et association_rules() ont été importées de mlxtend.

Cette activité fait partie du cours

Analyse des paniers d'achat en Python

Voir le cours

Instructions de l’exercice

  • Générez l'ensemble des itemsets fréquents avec un seuil minimal de support de 0.0001.
  • Repérez toutes les règles avec un seuil minimal de support de 0.0001.
  • Sélectionnez toutes les règles dont le antecedent support est supérieur à 0.35.
  • Sélectionnez toutes les règles dont le consequent support maximal est inférieur à 0.35.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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)
Modifier et exécuter le code