Potatura con lift

Ancora una volta, fai rapporto alla responsabile del negozio di regali originali. Questa volta le dici di non aver identificato alcuna regola quando hai usato una soglia di support più alta per l'algoritmo Apriori e solo due regole quando hai usato una soglia più bassa. Ti fa i complimenti per l’ottimo lavoro, ma ti chiede di considerare l’uso di un’altra metrica per ridurre le due regole a una.

Ti ricordi che il lift ha un’interpretazione semplice: valori maggiori di 1 indicano che gli articoli co-occorrono più di quanto ci aspetteremmo se fossero distribuiti indipendentemente tra le transazioni. Decidi di usare il lift, perché il messaggio sarà facile da comunicare. Nota che pandas è disponibile come pd e i dati delle transazioni codificati one-hot sono disponibili come onehot. Inoltre, apriori è stato importato da mlxtend.

Questo esercizio fa parte del corso

Analisi del carrello in Python

Visualizza il corso

Istruzioni dell'esercizio

Importa la funzione association_rules da mlxtend.
Calcola gli insiemi di item frequenti usando un supporto di 0.001 e una lunghezza massima dell’insieme di 2.
Completa l’istruzione per mantenere le regole con un lift di almeno 1.0.
Stampa il DataFrame delle regole.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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(____)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Analisi del carrello in Python

IntermediárioNível de habilidade

4.9+

Inizia il corso gratis

In this chapter, you’ll learn the basics of Market Basket Analysis: association rules, metrics, and pruning. You’ll then apply these concepts to help a small grocery store improve its promotional and product placement efforts.

Exercise 1: What is market basket analysis?Exercise 2: The basics of market basket analysis Exercise 3: Cross-selling products Exercise 4: Identifying association rules Exercise 5: Multiple antecedents and consequents Exercise 6: Preparing data for market basket analysis Exercise 7: Generating association rules Exercise 8: The simplest metric Exercise 9: One-hot encoding transaction data Exercise 10: Computing the support metric

Association rules tell us that two or more items are related. Metrics allow us to quantify the usefulness of those relationships. In this chapter, you’ll apply six metrics to evaluate association rules: supply, confidence, lift, conviction, leverage, and Zhang's metric. You’ll then use association rules and metrics to assist a library and an e-book seller.

Exercise 1: Confidence and lift Exercise 2: Recommending books with support Exercise 3: Refining support with confidence Exercise 4: Further refinement with lift Exercise 5: Leverage and conviction Exercise 6: Lift versus leverage Exercise 7: Computing conviction Exercise 8: Computing conviction with a function Exercise 9: Promoting ebooks with conviction Exercise 10: Association and dissociation Exercise 11: Computing association and dissociation Exercise 12: Defining Zhang's metric Exercise 13: Applying Zhang's metric Exercise 14: Advanced rules Exercise 15: Filtering with support and conviction Exercise 16: Using multi-metric filtering to cross-promote books

The fundamental problem of Market Basket Analysis is determining how to translate vast amounts of customer decisions into a small number of useful rules. This process typically starts with the application of the Apriori algorithm and involves the use of additional strategies, such as pruning and aggregation. In this chapter, you’ll learn how to use these methods and will ultimately apply them in exercises where you assist a retailer in selecting a physical store layout and performing product cross-promotions.

Exercise 1: Aggregazione Exercise 2: Eseguire l'aggregazione Exercise 3: Definire una funzione di aggregazione Exercise 4: L'algoritmo Apriori Exercise 5: Potatura e Apriori Exercise 6: Identificare i frequent itemsets con Apriori Exercise 7: Selezionare una soglia di supporto Exercise 8: Potatura base dei risultati di Apriori Exercise 9: Generare regole di associazione Exercise 10: Potatura con lift

Esercizio in corso

Exercise 11: Potatura con la confidence Exercise 12: Potatura avanzata dei risultati di Apriori Exercise 13: Aggregazione e filtraggio Exercise 14: Applicare la regola di Zhang Exercise 15: Filtri avanzati con metriche multiple

In this final chapter, you’ll learn how visualizations are used to guide the pruning process and summarize final results, which will typically take the form of itemsets or rules. You’ll master the three most useful visualizations -- heatmaps, scatterplots, and parallel coordinates plots – and will apply them to assist a movie streaming service.

Exercise 1: Heatmaps Exercise 2: Visualizing itemset support Exercise 3: Heatmaps with lift Exercise 4: Interpreting heatmaps Exercise 5: Scatterplots Exercise 6: Pruning with scatterplots Exercise 7: Optimality of the support-confidence border Exercise 8: Parallel coordinates plot Exercise 9: Using parallel coordinates to visualize rules Exercise 10: Refining a parallel coordinates plot Exercise 11: Congratulations!