ÎncepețiÎncepe gratuit

Reducerea regulilor folosind lift

Te întorci din nou la managerul magazinului de cadouri. De această dată, îi spui că nu ai identificat nicio regulă atunci când ai folosit un prag de suport mai ridicat pentru algoritmul Apriori și doar două reguli când ai folosit un prag mai scăzut. Ea te felicită pentru munca depusă, dar îți cere să iei în considerare o altă metrică pentru a reduce cele două reguli la una singură.

Îți amintești că lift-ul avea o interpretare simplă: valorile mai mari decât 1 indică faptul că produsele apar împreună mai frecvent decât ne-am aștepta dacă ar fi distribuite independent între tranzacții. Decizi să folosești lift-ul, deoarece mesajul va fi ușor de transmis. Reține că pandas este disponibil ca pd, iar datele tranzacționale codificate one-hot sunt disponibile ca onehot. De asemenea, apriori a fost importat din mlxtend.

Acest exercițiu face parte din cursul

Analiza coșului de cumpărături în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Importă funcția association_rules din mlxtend.
  • Calculează itemset-urile frecvente folosind un suport de 0.001 și o lungime maximă a itemset-ului de 2.
  • Completează instrucțiunea pentru a păstra regulile cu un lift de cel puțin 1.0.
  • Afișează DataFrame-ul cu reguli.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

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

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

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

# Print association rules
print(____)
Editează și rulează codul