ПочатиПочніть безкоштовно

Обрізання за метрикою lift

Ви знову звітуєте менеджерці магазину подарунків. Цього разу ви розповідаєте, що не знайшли жодного правила, коли використали вищий поріг підтримки для алгоритму Apriori, і лише два правила — коли знизили поріг. Вона хвалить вас за гарну роботу, але просить розглянути іншу метрику, щоб скоротити кількість правил з двох до одного.

Ви пам'ятаєте, що lift має просте тлумачення: значення, більші за 1, вказують, що товари співтрапляються частіше, ніж ми очікували б, якби вони розподілялися по транзакціях незалежно. Ви вирішуєте використати lift, адже це повідомлення легко донести. Зауважте, що pandas доступний як pd, а one-hot закодовані дані транзакцій — як onehot. Крім того, apriori уже імпортовано з mlxtend.

Ця вправа є частиною курсу

Маркет-баcкет аналіз у Python

Переглянути курс

Інструкції до вправи

  • Імпортуйте функцію association_rules з mlxtend.
  • Обчисліть часті набори елементів із підтримкою 0.001 і максимальною довжиною набору 2.
  • Доповніть вираз, щоб залишити правила з lift не менше ніж 1.0.
  • Виведіть датафрейм із правилами.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(____)
Редагувати та запускати код