Filtrare avansată cu mai multe metrici
Anterior, am folosit date dintr-un magazin online de cadouri inedite pentru a identifica antecedente ce pot fi utilizate în promovarea unui consecvent țintit. Deoarece setul de reguli potențiale era mare, a trebuit să ne bazăm pe algoritmul Apriori și pe filtrarea cu mai multe metrici pentru a-l restrânge. În acest exercițiu, vom examina întregul set de reguli și vom identifica una utilă, fără să vizăm un anumit antecedent.
Datele au fost deja încărcate, preprocesate și codificate one-hot, fiind disponibile ca onehot. De asemenea, apriori() și association_rules() au fost importate din mlxtend. În acest exercițiu, vei aplica algoritmul Apriori pentru a identifica seturi de articole frecvente. Vei extrage apoi setul de reguli de asociere din aceste seturi și vei aplica filtrarea cu mai multe metrici.
Acest exercițiu face parte din cursul
Analiza coșului de cumpărături în Python
Instrucțiuni pentru exercițiu
- Aplică algoritmul Apriori pe seturile de articole codificate one-hot, cu un prag minim de suport de 0,001.
- Extrage regulile de asociere folosind un prag minim de suport de 0,001.
- Setează
antecedent_supportla 0,002 șiconsequent_supportla 0,01. - Setează
confidencesă fie mai mare de 0,60 șiliftsă fie mai mare de 2,50.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Apply the Apriori algorithm with a minimum support threshold of 0.001
frequent_itemsets = ____(onehot, min_support = ____, use_colnames = True)
# Recover association rules using a minium support threshold of 0.001
rules = ____(frequent_itemsets, metric = '____', min_threshold = 0.001)
# Apply a 0.002 antecedent support threshold, 0.60 confidence threshold, and 2.50 lift threshold
filtered_rules = rules[(rules['antecedent support'] > ____) &
(____['consequent support'] > 0.01) &
(rules['____'] > ____) &
(____ > 2.50)]
# Print remaining rule
print(filtered_rules[['antecedents','consequents']])