Mulai sekarangMulai gratis

Pemangkasan dengan confidence

Sekali lagi, Anda buntu: Anda menemukan beberapa aturan yang berguna, tetapi tidak dapat mempersempitnya menjadi satu. Lebih buruk lagi, dua aturan yang Anda temukan menggunakan himpunan item yang sama, hanya menukar antecedent dan consequent. Anda memutuskan untuk melihat apakah pemangkasan menggunakan metrik lain dapat membantu mempersempitnya menjadi satu aturan asosiasi.

Metrik apa yang tepat? Baik lift maupun support identik untuk semua aturan yang dapat dihasilkan dari sebuah himpunan item, sehingga Anda memutuskan untuk menggunakan confidence, yang berbeda untuk aturan yang dihasilkan dari himpunan item yang sama. Perhatikan bahwa pandas tersedia sebagai pd dan data transaksi one-hot encoded tersedia sebagai onehot. Selain itu, apriori telah diimpor dari mlxtend.

Latihan ini merupakan bagian dari kursus

Analisis Market Basket dengan Python

Lihat Kursus

Instruksi latihan

  • Impor association_rules dari mlxtend.
  • Lengkapi pernyataan untuk algoritma apriori dengan nilai support 0,0015 dan panjang maksimum himpunan item 2.
  • Lengkapi pernyataan untuk aturan asosiasi dengan menggunakan confidence sebagai metrik dan nilai ambang 0,5.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Import the association rules function
____

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

# Compute all association rules using confidence
rules = ____(frequent_itemsets, 
                            metric = "____", 
                         	min_threshold = ____)

# Print association rules
print(rules)
Edit dan Jalankan Kode