Mulai sekarangMulai gratis

Agregasi dan pemfilteran

Dalam video, kita membantu manajer toko suvenir menata seksi-seksi di lokasi ritel fisik berdasarkan aturan asosiatif. Tata letak toko mengharuskan kita mengelompokkan seksi menjadi dua pasangan jenis produk. Setelah menerapkan teknik pemfilteran lanjutan, kita mengusulkan tata letak lantai seperti di bawah ini.

Gambar menunjukkan tata letak toko yang dipilih dalam video.

Sekarang manajer toko meminta Anda membuat usulan denah lantai lain, tetapi dengan kriteria berbeda: setiap pasangan seksi harus memuat satu produk dengan dukungan tinggi dan satu produk dengan dukungan rendah. Data aggregated telah diagregasi dan di-one-hot encode untuk Anda. Selain itu, apriori() dan association_rules() telah diimpor dari mlxtend.

Latihan ini merupakan bagian dari kursus

Analisis Market Basket dengan Python

Lihat Kursus

Instruksi latihan

  • Hasilkan himpunan item sering dengan ambang dukungan minimum 0,0001.
  • Identifikasi semua aturan dengan ambang dukungan minimum 0,0001.
  • Pilih semua aturan dengan antecedent support lebih besar dari 0,35.
  • Pilih semua aturan dengan consequent support maksimum lebih rendah dari 0,35.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# 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)
Edit dan Jalankan Kode