Aggregazione e filtraggio
Nel video, abbiamo aiutato la responsabile di un negozio di articoli da regalo a organizzare le sezioni del suo punto vendita fisico in base alle regole di associazione. La disposizione del negozio ci ha costretti a raggruppare le sezioni in due coppie di tipologie di prodotto. Dopo aver applicato tecniche avanzate di filtraggio, abbiamo proposto il layout del piano riportato sotto.
Ora la responsabile ti chiede di generare un’altra proposta di pianta, ma con un criterio diverso: ogni coppia di sezioni dovrebbe contenere un prodotto con supporto alto e uno con supporto basso. I dati, aggregated, sono già stati aggregati e codificati in one-hot per te. Inoltre, apriori() e association_rules() sono stati importati da mlxtend.
Questo esercizio fa parte del corso
Analisi del carrello in Python
Istruzioni dell'esercizio
- Genera l’insieme degli itemset frequenti con una soglia minima di supporto pari a 0.0001.
- Identifica tutte le regole con una soglia minima di supporto di 0.0001.
- Seleziona tutte le regole con
antecedent supportmaggiore di 0.35. - Seleziona tutte le regole con
consequent supportmassimo inferiore a 0.35.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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)