BaşlayınÜcretsiz başlayın

Güven ile budama

Yine tek bir kurala inemedin: birden fazla faydalı kural buldun ama hangisini seçeceğini daraltamadın. Daha da kötüsü, bulduğun iki kural aynı öğe kümesini kullanıyordu; sadece öncüller ve sonuçlar yer değiştirmişti. Başka bir metrikle budama yapmanın işleri tek bir birliktelik kuralına indirebileceğini görmeye karar verdin.

Doğru metrik hangisi olurdu? Bir öğe kümesinden üretilebilecek tüm kurallar için lift ve support aynıdır; bu yüzden, aynı öğe kümesinden türetilen kurallar arasında farklılık gösteren confidence kullanmaya karar verdin. pandas'ın pd olarak, tek-sıcak kodlanmış işlem verisinin de onehot olarak hazır olduğunu unutma. Ayrıca, apriori mlxtend'ten içe aktarılmış durumda.

Bu egzersiz, kursun bir parçasıdır

Python ile Market Basket Analysis

Kursa Göz Atın

Egzersiz talimatları

  • mlxtend içinden association_rules'u içe aktar.
  • apriori algoritması için 0.0015 destek değeri ve en fazla 2 öğeli öğe kümesi uzunluğu kullanarak ifadeyi tamamla.
  • Birliktelik kuralları için ifadeyi, metrik olarak confidence ve eşik değeri 0.5 olacak şekilde tamamla.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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)
Kodu Düzenle ve Çalıştır