НачатьНачать бесплатно

Расширенная фильтрация с несколькими метриками

Ранее мы использовали данные интернет-магазина сувениров, чтобы найти антецеденты для продвижения целевого консеквента. Поскольку потенциальных правил было много, мы применяли алгоритм Apriori и фильтрацию по нескольким метрикам, чтобы сузить выборку. В этом упражнении мы рассмотрим полный набор правил и найдём среди них полезное — без привязки к конкретному антецеденту.

Обратите внимание: данные уже загружены, предобработаны и закодированы методом горячего кодирования — они доступны в переменной onehot. Функции apriori() и association_rules() импортированы из mlxtend. В этом упражнении вы примените алгоритм Apriori для выявления частых наборов элементов, затем извлечёте из них правила ассоциации и применёте фильтрацию по нескольким метрикам.

Это упражнение является частью курса

Анализ рыночных корзин на Python

Посмотреть курс

Инструкции к упражнению

  • Примените алгоритм Apriori к закодированным наборам элементов с минимальным порогом поддержки 0,001.
  • Извлеките правила ассоциации, используя минимальный порог поддержки 0,001.
  • Установите значение antecedent_support равным 0,002, а consequent_support — 0,01.
  • Задайте значение confidence больше 0,60, а lift — больше 2,50.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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']])
Редактировать и запускать код