Potatura con la confidence
Di nuovo, non sei arrivato a una sola risposta: hai trovato più regole utili, ma non riesci a ridurle a una. Ancora peggio, le due regole che hai individuato usano lo stesso insieme di item, scambiando solo antecedenti e conseguenti. Decidi quindi di verificare se la potatura con un'altra metrica può aiutarti a restringere il campo a un'unica regola di associazione.
Qual è la metrica giusta? Sia il lift sia il supporto sono identici per tutte le regole che possono essere generate dallo stesso insieme di item, quindi scegli di usare la confidence, che invece può variare per regole prodotte dallo stesso insieme. Nota che pandas è disponibile come pd e i dati delle transazioni in one-hot encoding sono disponibili come onehot. Inoltre, apriori è stato importato da mlxtend.
Questo esercizio fa parte del corso
Analisi del carrello in Python
Istruzioni dell'esercizio
- Importa
association_rulesdamlxtend. - Completa l'istruzione per l'algoritmo
aprioriusando un valore di supporto pari a 0,0015 e una lunghezza massima dell'insieme di item pari a 2. - Completa l'istruzione per le regole di associazione usando la confidence come metrica e un valore soglia di 0,5.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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)