1. Nauka
    2. /
  2. Kursy
    3. /
  3. Analiza koszyka zakupowego w Pythonie
Connected

ćwiczenie

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.

Instrukcje

100 XP
  • Zaimportuj funkcję association_rules z mlxtend.
  • 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.