CommencerCommencer gratuitement

Agrégation et filtrage

Dans la vidéo, nous avons aidé la gérante d’une boutique de cadeaux à organiser les rayons de son magasin physique à partir de règles d’association. La configuration du magasin nous a obligés à regrouper les rayons en deux paires de types de produits. Après avoir appliqué des techniques de filtrage avancées, nous avons proposé le plan ci-dessous.

L’image montre l’agencement du magasin retenu dans la vidéo.

La gérante vous demande maintenant de générer une autre proposition de plan, mais avec un critère différent : chaque paire de rayons doit contenir un produit à fort support et un produit à faible support. Les données aggregated ont déjà été agrégées et encodées en one-hot pour vous. De plus, apriori() et association_rules() ont été importées depuis mlxtend.

Cet exercice fait partie du cours

Analyse des paniers d’achat en Python

Afficher le cours

Instructions

  • Générez l’ensemble des itemsets fréquents avec un seuil minimal de support de 0,0001.
  • Identifiez 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 cet exemple de code.

# 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