शुरू करेंमुफ़्त में शुरू करें

Lift के साथ pruning

आप एक बार फिर नवेल्टी गिफ्ट स्टोर मैनेजर को रिपोर्ट देते हैं। इस बार, आप उन्हें बताते हैं कि जब आपने Apriori एल्गोरिदम के लिए उच्च support threshold इस्तेमाल किया, तो कोई भी rule नहीं मिला, और कम threshold पर सिर्फ दो rules मिले। वह आपके अच्छे काम की सराहना करती हैं, लेकिन कहती हैं कि इन दो rules को एक तक घटाने के लिए कोई और metric अपनाने पर विचार करें।

आपको याद आता है कि lift की एक सरल व्याख्या है: 1 से बड़े मान दर्शाते हैं कि items एक साथ उतने से अधिक बार आते हैं, जितनी उम्मीद होती अगर वे ट्रांज़ैक्शंस में स्वतंत्र रूप से वितरित होते। आप lift का उपयोग करने का निर्णय लेते हैं, क्योंकि यह बात समझाना आसान रहेगा। ध्यान दें, pandas pd के रूप में उपलब्ध है और one-hot encoded ट्रांज़ैक्शन डेटा onehot के रूप में उपलब्ध है। इसके अलावा, apriori को mlxtend से इम्पोर्ट किया जा चुका है।

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Market Basket Analysis

पाठ्यक्रम देखें

अभ्यास निर्देश

  • mlxtend से association_rules फंक्शन इम्पोर्ट करें.
  • 0.001 के support और अधिकतम itemset length 2 के साथ frequent itemsets निकालें.
  • स्टेटमेंट पूरा करें ताकि lift कम से कम 1.0 वाले rules ही बने रहें.
  • rules वाले DataFrame को प्रिंट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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(____)
कोड संपादित करें और चलाएँ