Przycinanie za pomocą lift
Ponownie składasz raport kierowniczce sklepu z gadżetami. Tym razem informujesz ją, że przy wyższym progu wsparcia algorytmu Apriori nie udało się znaleźć żadnych reguł, a przy niższym progu – tylko dwie. Kierowniczka chwali cię za dobrą robotę, ale prosi, abyś spróbował zastosować inną metrykę i zredukować dwie reguły do jednej.
Przypominasz sobie, że miara lift ma prostą interpretację: wartości większe niż 1 oznaczają, że elementy współwystępują częściej, niż można by się spodziewać przy założeniu ich niezależności w transakcjach. Postanawiasz użyć lift – ten komunikat będzie łatwy do przekazania. Zwróć uwagę, że pandas jest dostępny jako pd, a dane transakcyjne w postaci zakodowanej metodą one-hot są dostępne jako onehot. Ponadto apriori został już zaimportowany z mlxtend.
To ćwiczenie jest częścią kursu
Analiza koszyka zakupowego w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj funkcję
association_ruleszmlxtend. - Oblicz częste zestawy elementów, używając wsparcia równego 0.001 i maksymalnej długości zestawu równej 2.
- Uzupełnij instrukcję tak, aby zachować reguły z wartością lift wynoszącą co najmniej 1,0.
- Wydrukuj ramkę danych z regułami.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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(____)