BaşlayınÜcretsiz başlayın

Toplama ve filtreleme

Videoda, bir hediye mağazası yöneticisine fiziksel mağazasındaki bölümleri birliktelik kurallarına göre düzenlemesinde yardımcı olduk. Mağazanın yerleşimi, bölümleri iki ürün türü çifti halinde gruplamamızı gerektirdi. Gelişmiş filtreleme tekniklerini uyguladıktan sonra aşağıdaki kat planını önerdik.

Görsel, videoda seçilen mağaza yerleşimini gösteriyor.

Mağaza yöneticisi şimdi senden farklı bir ölçütle başka bir kat planı önerisi üretmeni istiyor: Her bölüm çifti bir yüksek destekli ürün ve bir düşük destekli ürün içermeli. aggregated verisi senin için toplanıp one-hot kodlaması yapıldı. Ayrıca apriori() ve association_rules() fonksiyonları mlxtend paketinden içe aktarıldı.

Bu egzersiz, kursun bir parçasıdır

Python ile Market Basket Analysis

Kursa Göz Atın

Egzersiz talimatları

  • Minimum destek eşiği 0,0001 olacak şekilde sık öğe kümelerini üret.
  • Minimum destek eşiği 0,0001 olan tüm kuralları belirle.
  • antecedent support değeri 0,35'ten büyük olan tüm kuralları seç.
  • Azami consequent support değeri 0,35'in altında olan tüm kuralları seç.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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)
Kodu Düzenle ve Çalıştır