ComeçarComece de graça

Poda por confiança

Mais uma vez, você ficou indeciso: encontrou várias regras úteis, mas não consegue chegar a uma só. Pior ainda, as duas regras que você achou usam o mesmo conjunto de itens, apenas trocando antecedentes e consequentes. Você decide verificar se podar por outra métrica pode ajudar a reduzir tudo a uma única regra de associação.

Qual seria a métrica certa? Tanto o lift quanto o suporte são idênticos para todas as regras geradas a partir de um mesmo conjunto de itens, então você decide usar a confiança, que varia entre regras produzidas do mesmo conjunto. Observe que pandas está disponível como pd e que os dados de transações one-hot estão disponíveis como onehot. Além disso, apriori já foi importado de mlxtend.

Este exercício faz parte do curso

Análise de Cesta de Compras em Python

Ver curso

Instruções do exercício

  • Importe association_rules de mlxtend.
  • Complete a chamada do algoritmo apriori usando valor de suporte 0.0015 e comprimento máximo do conjunto de itens igual a 2.
  • Complete a chamada para as regras de associação usando confiança como métrica e valor de limiar de 0.5.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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)
Editar e executar o código