Associatieregels genereren
In de laatste oefening van de vorige sectie heb je met het Apriori-algoritme itemsets berekend voor de eigenaar van de noveltycadeauwinkel. Je vertelde de eigenaar dat het verlagen van de support van 0.005 naar 0.003 het aantal itemsets verhoogde van 9 naar 91. Nog verder verlagen naar 0.001 verhoogde het aantal naar 429. Tevreden met het beschrijvende werk dat je hebt gedaan, vraagt de filiaalmanager je nu om associatieregels te identificeren uit de twee sets frequente itemsets die je hebt berekend.
Let op: pandas is al voor je geïmporteerd als pd en de twee frequente itemsets zijn beschikbaar als frequent_itemset_1 en frequent_itemset_2. Je doel is om te bepalen welke associatieregels uit deze itemsets kunnen worden afgeleid.
Deze oefening maakt deel uit van de cursus
Market Basket Analysis in Python
Oefeninstructies
- Importeer het algoritme uit
mlxtenddat associatieregels berekent op basis van resultaten van hetapriori-algoritme. - Maak de instructie af om associatieregels te berekenen voor
frequent_itemsets_1met de metriek support en een drempel van 0.0015. - Maak de instructie af om associatieregels te berekenen voor
frequent_itemsets_2met de metriek support en een drempel van 0.0015.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Import the association rule function from mlxtend
from mlxtend.____ import ____
# Compute all association rules for frequent_itemsets_1
rules_1 = association_rules(frequent_itemsets_1,
metric = "____",
min_threshold = ____)
# Compute all association rules for frequent_itemsets_2
rules_2 = association_rules(frequent_itemsets_2,
metric = ____,
____)
# Print the number of association rules generated
print(len(rules_1), len(rules_2))