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.

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.

ćwiczenie

Przycinanie według ufności

Instrukcje

.css-6su6fj{-webkit-flex-shrink:0;-ms-flex-negative:0;flex-shrink:0;}ćwiczenie

Instrukcje

ćwiczenie