ÎncepețiÎncepe gratuit

Agregare și filtrare

În video, am ajutat un manager de magazin de cadouri să aranjeze secțiunile din spațiul fizic de vânzare pe baza regulilor de asociere. Configurația magazinului ne-a obligat să grupăm secțiunile în două perechi de tipuri de produse. După aplicarea tehnicilor avansate de filtrare, am propus planul de etaj de mai jos.

The image shows the store layout that was selected in the video.

Managerul magazinului îți cere acum să generezi o altă propunere de plan de etaj, dar cu un criteriu diferit: fiecare pereche de secțiuni trebuie să conțină un produs cu suport ridicat și unul cu suport scăzut. Datele, aggregated, au fost agregate și codificate one-hot pentru tine. De asemenea, apriori() și association_rules() au fost importate din mlxtend.

Acest exercițiu face parte din cursul

Analiza coșului de cumpărături în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Generează setul de itemseturi frecvente cu un prag minim de suport de 0,0001.
  • Identifică toate regulile cu un prag minim de suport de 0,0001.
  • Selectează toate regulile cu un suport al antecedentului mai mare de 0,35.
  • Selectează toate regulile cu un suport maxim al consecventului mai mic de 0,35.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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)
Editează și rulează codul