Zacznij terazZacznij za darmo

Przycinanie według ufności

Znowu masz za dużo wyników: udało się znaleźć kilka przydatnych reguł, ale nie można zawęzić ich do jednej. Co gorsza, dwie znalezione reguły korzystają z tego samego zbioru elementów – różnią się jedynie zamienionymi miejscami poprzednikami i następnikami. Postanawiasz sprawdzić, czy przycinanie według innej metryki pozwoli uzyskać jedną regułę asocjacyjną.

Jaka metryka będzie właściwa? Wartości lift i support są identyczne dla wszystkich reguł wygenerowanych z tego samego zbioru elementów, dlatego decydujesz się użyć ufności (confidence), która różni się dla reguł wywodzących się z tego samego zbioru. Pamiętaj, że pandas jest dostępny jako pd, a dane transakcyjne zakodowane metodą one-hot są dostępne jako onehot. Ponadto apriori został już zaimportowany z mlxtend.

To ćwiczenie jest częścią kursu

Analiza koszyka zakupowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj association_rules z mlxtend.
  • Uzupełnij wywołanie algorytmu apriori, używając wartości wsparcia 0,0015 i maksymalnej długości zbioru elementów równej 2.
  • Uzupełnij wywołanie reguł asocjacyjnych, używając ufności jako metryki i wartości progowej 0,5.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import the association rules function
____

# Compute frequent itemsets using the Apriori algorithm
frequent_itemsets = ____(onehot, ____, 
                            ____, use_colnames = True)

# Compute all association rules using confidence
rules = ____(frequent_itemsets, 
                            metric = "____", 
                         	min_threshold = ____)

# Print association rules
print(rules)
Edytuj i uruchom kod