НачатьНачать бесплатно

Отсечение по достоверности

Снова неудача: вы нашли несколько полезных правил, но не можете свести их к одному. Ещё хуже то, что два найденных правила основаны на одном и том же наборе элементов — в них просто переставлены местами антецеденты и консеквенты. Вы решаете проверить, поможет ли отсечение по другой метрике выделить единственное правило ассоциации.

Какую метрику выбрать? Lift и поддержка одинаковы для всех правил, которые можно получить из одного набора элементов, поэтому вы обращаетесь к достоверности — она различается для правил, построенных на одном наборе. Обратите внимание: pandas доступен как pd, данные транзакций в формате унитарного кодирования — как onehot, а функция apriori уже импортирована из mlxtend.

Это упражнение является частью курса

Анализ рыночных корзин на Python

Посмотреть курс

Инструкции к упражнению

  • Импортируйте association_rules из mlxtend.
  • Заполните оператор для алгоритма apriori, задав значение поддержки 0,0015 и максимальную длину набора элементов 2.
  • Заполните оператор для правил ассоциации, указав достоверность в качестве метрики и пороговое значение 0,5.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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)
Редактировать и запускать код