Kom igångKom igång gratis

Beskärning med konfidens

Du har återigen inte kunnat avgöra vilken regel som är den rätta: du hittade flera användbara regler, men kunde inte begränsa det till en enda. Ännu värre är att de två reglerna du hittade använde samma itemset, men med antecedenter och konsekventer utbytta mot varandra. Du bestämmer dig för att se om beskärning med ett annat mått kan hjälpa dig att komma fram till en enda associationsregel.

Vilket mått bör du använda? Både lyft och support är identiska för alla regler som kan genereras från ett itemset, så du väljer att använda konfidens i stället – det skiljer sig för regler som härstammar från samma itemset. Observera att pandas är tillgängligt som pd och att de one-hot-kodade transaktionsdata finns tillgängliga som onehot. Dessutom har apriori importerats från mlxtend.

Den här övningen är en del av kursen

Marknadskorgsanalys i Python

Visa kurs

Övningsinstruktioner

  • Importera association_rules från mlxtend.
  • Fyll i satsen för apriori-algoritmen med ett supportvärde på 0,0015 och en maximal itemset-längd på 2.
  • Fyll i satsen för associationsregler med konfidens som mått och ett tröskelvärd på 0,5.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)
Redigera och kör kod