Birden çok metrikle gelişmiş filtreleme
Daha önce, hedeflenen bir sonuca yönelik tanıtım yapmak için kullanılabilecek öncülleri bulmak amacıyla çevrimiçi bir hediyelik eşya mağazasının verilerini kullanmıştık. Olası kural kümesi büyük olduğundan, onu daraltmak için Apriori algoritmasına ve çok metrikli filtrelemeye başvurmuştuk. Bu egzersizde, belirli bir öncülü hedeflemek yerine kural kümesinin tamamını inceleyip kullanışlı bir kural bulacağız.
Verilerin yüklenip ön işlemden geçirildiğini, one-hot kodlandığını ve onehot olarak mevcut olduğunu unutma. Ayrıca mlxtend paketinden apriori() ve association_rules() içe aktarılmış durumda. Bu egzersizde, sık öğe kümelerini belirlemek için Apriori algoritmasını uygulayacaksın. Ardından bu öğe kümelerinden ilişkilendirme kurallarını çıkarıp çok metrikli filtreleme uygulayacaksın.
Bu egzersiz, kursun bir parçasıdır
Python ile Market Basket Analysis
Egzersiz talimatları
- Minimum destek eşiği 0.001 olacak şekilde one-hot kodlanmış öğe kümelerine Apriori algoritmasını uygula.
- Minimum destek eşiği 0.001 ile ilişkilendirme kurallarını çıkar.
antecedent_supportdeğerini 0.002 veconsequent_supportdeğerini 0.01 olarak ayarla.confidencedeğerini 0.60'tan veliftdeğerini 2.50'den büyük olacak şekilde ayarla.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Apply the Apriori algorithm with a minimum support threshold of 0.001
frequent_itemsets = ____(onehot, min_support = ____, use_colnames = True)
# Recover association rules using a minium support threshold of 0.001
rules = ____(frequent_itemsets, metric = '____', min_threshold = 0.001)
# Apply a 0.002 antecedent support threshold, 0.60 confidence threshold, and 2.50 lift threshold
filtered_rules = rules[(rules['antecedent support'] > ____) &
(____['consequent support'] > 0.01) &
(rules['____'] > ____) &
(____ > 2.50)]
# Print remaining rule
print(filtered_rules[['antecedents','consequents']])