ÎncepețiÎncepe gratuit

Eliminarea regulilor cu ajutorul confidenței

Din nou, ai rămas fără o soluție clară: ai găsit mai multe reguli utile, dar nu reușești să le reduci la una singură. Mai mult, cele două reguli identificate foloseau același itemset, doar cu antecedentele și consecventele inversate. Decizi să verifici dacă eliminarea regulilor după o altă metrică te-ar ajuta să obții o singură regulă de asociere.

Care ar fi metrica potrivită? Atât lift-ul, cât și suportul sunt identice pentru toate regulile generate dintr-un itemset, așa că alegi să folosești în schimb confidența, care diferă pentru regulile produse din același itemset. Reține că pandas este disponibil ca pd, iar datele tranzacționale codificate one-hot sunt disponibile ca onehot. De asemenea, apriori a fost deja importat din mlxtend.

Acest exercițiu face parte din cursul

Analiza coșului de cumpărături în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Importă association_rules din mlxtend.
  • Completează instrucțiunea pentru algoritmul apriori folosind o valoare de suport de 0,0015 și o lungime maximă a itemset-ului de 2.
  • Completează instrucțiunea pentru regulile de asociere folosind confidența ca metrică și o valoare prag de 0,5.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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)
Editează și rulează codul