Kom igångKom igång gratis

Aggregering och filtrering

I videon hjälpte vi en butikschef på en presentbutik att arrangera avdelningarna i hennes fysiska butik utifrån associationsregler. Butikens layout krävde att vi grupperade avdelningarna i två par av produkttyper. Efter att ha tillämpat avancerade filtreringstekniker föreslog vi den butikslayout som visas nedan.

The image shows the store layout that was selected in the video.

Butikschefen ber dig nu ta fram ytterligare ett layoutförslag, men med ett annat kriterium: varje par av avdelningar ska innehålla en produkt med hög support och en produkt med låg support. Datan, aggregated, har redan aggregerats och one-hot-kodats åt dig. Dessutom har apriori() och association_rules() importerats från mlxtend.

Den här övningen är en del av kursen

Marknadskorgsanalys i Python

Visa kurs

Övningsinstruktioner

  • Generera mängden frekventa itemsets med en minimitröskel för support på 0,0001.
  • Identifiera alla regler med en minimitröskel för support på 0,0001.
  • Välj alla regler där antecedenssupporten är större än 0,35.
  • Välj alla regler där den maximala konsekvenssupporten är lägre än 0,35.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)
Redigera och kör kod