Beskärning med lift
Du rapporterar återigen till butikschefen på presentbutiken. Den här gången berättar du att du inte hittade några regler när du använde ett högre supporttröskelvärde för Apriori-algoritmen, och bara två regler när du använde ett lägre. Hon berömmer dig för det goda arbetet, men ber dig överväga att använda ett annat mått för att reducera de två reglerna till en.
Du kommer ihåg att lift hade en enkel tolkning: värden större än 1 indikerar att varor förekommer tillsammans mer än vad man skulle förvänta sig om de fördelades oberoende av varandra mellan transaktionerna. Du bestämmer dig för att använda lift, eftersom det budskapet är enkelt att förmedla. Observera att pandas finns tillgängligt som pd och att den one-hot-kodade transaktionsdatan finns tillgänglig som onehot. Dessutom har apriori importerats från mlxtend.
Den här övningen är en del av kursen
Marknadskorgsanalys i Python
Övningsinstruktioner
- Importera funktionen
association_rulesfrånmlxtend. - Beräkna de frekventa itemseten med ett support på 0.001 och en maximal itemsetlängd på 2.
- Fyll i uttrycket för att behålla regler med ett lift på minst 1.0.
- Skriv ut DataFrame:n med regler.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import the association rules function
from mlxtend.____ import ____
# Compute frequent itemsets using the Apriori algorithm
frequent_itemsets = apriori(onehot, min_support = ____,
max_len = ____, use_colnames = True)
# Compute all association rules for frequent_itemsets
rules = association_rules(frequent_itemsets,
metric = "____",
min_threshold = ____)
# Print association rules
print(____)