Kom igångKom igång gratis

Generera associationsregler

I den sista övningen i föregående avsnitt beräknade du itemsets för ägaren av novelitygiftbutiken med hjälp av Apriori-algoritmen. Du berättade för butiksägaren att en sänkning av support från 0,005 till 0,003 ökade antalet itemsets från 9 till 91, och att en ytterligare sänkning till 0,001 ökade antalet till 429. Nöjd med det beskrivande arbetet ber butikschefen dig nu att identifiera associationsregler från de två uppsättningarna av frekventa itemsets du beräknade.

Observera att pandas redan är importerat som pd och att de två frekventa itemsets finns tillgängliga som frequent_itemset_1 och frequent_itemset_2. Ditt mål är att ta reda på vilka associationsregler som kan utvinnas ur dessa itemsets.

Den här övningen är en del av kursen

Marknadskorgsanalys i Python

Visa kurs

Övningsinstruktioner

  • Importera algoritmen från mlxtend som beräknar associationsregler från resultat av apriori-algoritmen.
  • Fyll i satsen för att beräkna associationsregler för frequent_itemsets_1 med supportmåttet och ett tröskelvärde på 0,0015.
  • Fyll i satsen för att beräkna associationsregler för frequent_itemsets_2 med supportmåttet och ett tröskelvärde på 0,0015.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import the association rule function from mlxtend
from mlxtend.____ import ____

# Compute all association rules for frequent_itemsets_1
rules_1 = association_rules(frequent_itemsets_1, 
                            metric = "____", 
                         	min_threshold = ____)

# Compute all association rules for frequent_itemsets_2
rules_2 = association_rules(frequent_itemsets_2, 
                            metric = ____, 
                        	____)

# Print the number of association rules generated
print(len(rules_1), len(rules_2))
Redigera och kör kod