Aggregation और फ़िल्टरिंग
वीडियो में, हमने एक गिफ्ट स्टोर मैनेजर की मदद की ताकि वह अपनी फिजिकल रिटेल लोकेशन में सेक्शंस को association rules के अनुसार व्यवस्थित कर सके. स्टोर के लेआउट के कारण हमें सेक्शंस को दो जोड़ों में, यानी दो-दो प्रोडक्ट टाइप्स के समूहों में, बाँटना पड़ा. एडवांस्ड फ़िल्टरिंग तकनीकों को लागू करने के बाद, हमने नीचे दिया गया फ़्लोर लेआउट प्रस्तावित किया.
अब स्टोर मैनेजर आपसे एक और फ़्लोरप्लान प्रस्ताव बनाने के लिए कह रही हैं, लेकिन एक अलग मानदंड के साथ: हर जोड़े में एक high support प्रोडक्ट और एक low support प्रोडक्ट होना चाहिए. डेटा aggregated को आपके लिए aggregate कर के one-hot encode किया गया है. साथ ही, mlxtend से apriori() और association_rules() इम्पोर्ट कर लिए गए हैं.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Market Basket Analysis
अभ्यास निर्देश
- 0.0001 के न्यूनतम सपोर्ट थ्रेशोल्ड के साथ frequent itemsets का सेट जेनरेट करें.
- 0.0001 के न्यूनतम सपोर्ट थ्रेशोल्ड के साथ सभी rules पहचानें.
- उन सभी rules का चयन करें जिनका antecedent support 0.35 से अधिक हो.
- उन सभी rules का चयन करें जिनका maximum consequent support 0.35 से कम हो.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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)