CommencezCommencez gratuitement

Repérer les itemsets fréquents avec Apriori

L'exercice d'agrégation que vous avez réalisé pour le détaillant en ligne a été utile. Il a permis de commencer à comprendre quelles catégories d'articles reviennent souvent dans les transactions. Le détaillant souhaite maintenant explorer les articles eux-mêmes pour déterminer lesquels sont fréquents.

Dans cet exercice, vous appliquerez l'algorithme Apriori au jeu de données du commerce en ligne sans effectuer d'agrégation au préalable. Votre objectif sera d'élaguer les itemsets en fixant une valeur minimale de support et un seuil maximal du nombre d'articles. Notez que pandas a été importé sous le nom pd et que les données encodées en one-hot sont disponibles sous onehot.

Cette activité fait partie du cours

Analyse des paniers d'achat en Python

Voir le cours

Instructions de l’exercice

  • Passez onehot à l'algorithme Apriori.
  • Réglez la valeur de support minimal à 0,006.
  • Réglez la longueur maximale des itemsets à 3.
  • Affichez un aperçu des cinq premiers itemsets.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import apriori from mlxtend
from mlxtend.frequent_patterns import apriori

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

# Print a preview of the frequent itemsets
print(____.head())
Modifier et exécuter le code