ComeçarComece de graça

Gerando regras de associação

No último exercício da seção anterior, você calculou itemsets para o dono da loja de presentes criativos usando o algoritmo Apriori. Você disse ao proprietário que relaxar o support de 0.005 para 0.003 aumentou o número de itemsets de 9 para 91. Ao relaxar novamente para 0.001, o número subiu para 429. Satisfeito com o trabalho descritivo que você fez, o gerente da loja pede que você identifique algumas regras de associação a partir desses dois conjuntos de itemsets frequentes que você calculou.

Observe que pandas já foi importado como pd e os dois conjuntos de itemsets frequentes estão disponíveis como frequent_itemset_1 e frequent_itemset_2. Seu objetivo é determinar quais regras de associação podem ser extraídas desses itemsets.

Este exercício faz parte do curso

Análise de Cesta de Compras em Python

Ver curso

Instruções do exercício

  • Importe, de mlxtend, o algoritmo que gera regras de associação a partir dos resultados do algoritmo apriori.
  • Complete a instrução para calcular as regras de associação para frequent_itemsets_1 usando a métrica support e um limite de 0.0015.
  • Complete a instrução para calcular as regras de associação para frequent_itemsets_2 usando a métrica support e um limite de 0.0015.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Import the association rule function from mlxtend
from mlxtend.____ import ____

# Compute all association rules for frequent_itemsets_1
rules_1 = association_rules(frequent_itemsets_1, 
                            metric = "____", 
                         	min_threshold = ____)

# Compute all association rules for frequent_itemsets_2
rules_2 = association_rules(frequent_itemsets_2, 
                            metric = ____, 
                        	____)

# Print the number of association rules generated
print(len(rules_1), len(rules_2))
Editar e executar o código