Välja ett supporttröskelvärde
Chefen för den onlinebaserade presentaffären tittar på resultaten du levererade i föregående övning och berömmer dig för det goda arbetet. Hon tar dock upp en sak: alla identifierade itemsets innehåller bara ett objekt. Hon undrar om det vore möjligt att använda en mindre restriktiv regel och generera fler itemsets, eventuellt sådana med flera objekt.
Du går med på det och börjar fundera på vad som kan förklara avsaknaden av itemsets med mer än ett objekt. Det kan inte vara parametern max_len, eftersom den var satt till tre. Du bestämmer dig för att det måste vara support, och väljer att testa två olika värden – varje gång kontrollerar du hur många ytterligare itemsets som genereras. Observera att pandas är tillgängligt som pd och att de one-hot-kodade data finns tillgängliga som onehot.
Den här övningen är en del av kursen
Marknadskorgsanalys i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import apriori from mlxtend
from mlxtend.____ import ____
# Compute frequent itemsets using a support of 0.003 and length of 3
frequent_itemsets_1 = apriori(onehot, min_support = ____,
max_len = ____, use_colnames = True)
# Compute frequent itemsets using a support of 0.001 and length of 3
frequent_itemsets_2 = apriori(onehot, min_support = ____,
____, use_colnames = True)
# Print the number of freqeuent itemsets
print(len(frequent_itemsets_1), len(frequent_itemsets_2))