Agregacja i filtrowanie
W filmie pomagaliśmy menedżerce sklepu z upominkami rozmieścić sekcje w jej sklepie stacjonarnym zgodnie z regułami asocjacyjnymi. Układ sklepu wymagał pogrupowania sekcji w dwie pary typów produktów. Po zastosowaniu zaawansowanych technik filtrowania zaproponowaliśmy poniższy plan rozmieszczenia.
Menedżerka sklepu prosi cię teraz o przygotowanie kolejnej propozycji planu rozmieszczenia, ale według innego kryterium: każda para sekcji powinna zawierać jeden produkt o wysokim wsparciu i jeden o niskim wsparciu. Dane w zmiennej aggregated zostały już zagregowane i zakodowane metodą one-hot. Ponadto apriori() oraz association_rules() zostały zaimportowane z mlxtend.
To ćwiczenie jest częścią kursu
Analiza koszyka zakupowego w Pythonie
Instrukcje do ćwiczenia
- Wygeneruj zbiór częstych zestawów elementów z minimalnym progiem wsparcia równym 0,0001.
- Zidentyfikuj wszystkie reguły z minimalnym progiem wsparcia równym 0,0001.
- Wybierz wszystkie reguły, dla których wsparcie poprzednika jest większe niż 0,35.
- Wybierz wszystkie reguły, dla których maksymalne wsparcie konsekwentu jest niższe niż 0,35.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Apply the apriori algorithm with a minimum support of 0.0001
frequent_itemsets = apriori(aggregated, ____, use_colnames = True)
# Generate the initial set of rules using a minimum support of 0.0001
rules = association_rules(frequent_itemsets,
metric = "____", min_threshold = ____)
# Set minimum antecedent support to 0.35
rules = rules[____['antecedent support'] > ____]
# Set maximum consequent support to 0.35
rules = rules[____ < 0.35]
# Print the remaining rules
print(rules)