Lift ile budama
Yeniden hediyelik eşya mağazası yöneticisine rapor veriyorsun. Bu sefer, Apriori algoritması için daha yüksek bir destek eşiği kullandığında hiç kural bulamadığını, daha düşük bir eşik kullandığında ise yalnızca iki kural bulduğunu söylüyorsun. Yaptığın iyi iş için seni tebrik ediyor, ancak bu iki kuralı bire indirmek için başka bir metrik kullanmayı düşünmeni istiyor.
Lift'in basit bir yorumunun olduğunu hatırlıyorsun: 1'den büyük değerler, öğelerin işlemler arasında bağımsız dağılsaydı beklediğimizden daha sık birlikte göründüğünü belirtir. Bu mesajı iletmek kolay olacağı için lift kullanmaya karar veriyorsun. pandas'ın pd takma adıyla, tek-sıcak (one-hot) kodlanmış işlem verilerinin de onehot adıyla hazır olduğunu unutma. Ek olarak, apriori mlxtend içinden içe aktarılmış durumda.
Bu egzersiz, kursun bir parçasıdır
Python ile Market Basket Analysis
Egzersiz talimatları
mlxtendiçindenassociation_rulesfonksiyonunu içe aktar.- Destek değeri 0.001 ve maksimum öğe kümesi uzunluğu 2 olacak şekilde sık öğe kümelerini hesapla.
- En az 1.0 lift değerine sahip kuralları tutacak ifadeyi tamamla.
- Kuralların DataFrame'ini yazdır.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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(____)