Агрегирование и фильтрация
В видео мы помогали менеджеру подарочного магазина расставить секции в торговом зале, опираясь на правила ассоциаций. Планировка магазина вынуждала группировать секции в пары товарных категорий. Применив продвинутые методы фильтрации, мы предложили схему расположения секций, представленную ниже.
Теперь менеджер просит вас подготовить ещё один вариант планировки, но с другим критерием: в каждой паре секций должна быть одна категория с высокой поддержкой и одна — с низкой. Данные aggregated уже агрегированы и закодированы в формате one-hot. Кроме того, функции apriori() и association_rules() уже импортированы из mlxtend.
Это упражнение является частью курса
Анализ рыночных корзин на Python
Инструкции к упражнению
- Сгенерируйте набор частых наборов элементов с минимальным порогом поддержки 0,0001.
- Определите все правила с минимальным порогом поддержки 0,0001.
- Выберите все правила, у которых поддержка антецедента больше 0,35.
- Выберите все правила, у которых поддержка консеквента меньше 0,35.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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)