lift로 가지치기
이번에도 기념품 상점 매니저에게 보고해요. 이번에는 Apriori 알고리즘의 support 임계값을 높였을 때는 규칙이 전혀 나오지 않았고, 낮췄을 때는 규칙이 두 개만 나왔다고 설명해요. 매니저는 수고했다고 칭찬하면서, 이 두 규칙을 하나로 줄이기 위해 다른 지표를 써보길 제안해요.
lift의 해석이 단순하다는 것을 기억해요. 값이 1보다 크면, 거래에서 항목들이 서로 독립적으로 나타난다고 가정했을 때 기대되는 것보다 더 자주 함께 나타난다는 뜻이에요. 메시지를 전달하기 쉽기 때문에 lift를 사용하기로 해요. pandas는 pd로, 원-핫 인코딩된 거래 데이터는 onehot으로 제공돼요. 또한 mlxtend에서 apriori는 이미 임포트되어 있어요.
이 연습은 강의의 일부입니다
Python으로 배우는 Market Basket Analysis
연습 안내
mlxtend에서association_rules함수를 임포트하세요.- support를 0.001로, 최대 아이템셋 길이를 2로 설정해 빈발 아이템셋을 계산하세요.
- lift가 최소 1.0이 되도록 필터링하는 구문을 완성하세요.
- 규칙 DataFrame을 출력하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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(____)