ПочатиПочніть безкоштовно

Обрізання за показником confidence

Вкотре ви опинилися у глухому куті: ви знайшли кілька корисних правил, але не можете звузити вибір до одного. Ще гірше, що два знайдені правила побудовані з одного й того самого набору товарів, лише з поміняними місцями антецедентами та консеквентами. Ви вирішуєте перевірити, чи обрізання за іншим показником допоможе звузити вибір до єдиного асоціативного правила.

Який показник підійде? Показники lift і support однакові для всіх правил, згенерованих із одного набору товарів, тож ви вирішуєте використати натомість confidence, який відрізняється для правил з того самого набору. Зауважте, що pandas доступний як pd, а транзакційні дані у форматі one-hot доступні 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 association_rules з mlxtend.
  • Доповніть виклик алгоритму apriori, використавши значення support 0.0015 і максимальну довжину набору 2.
  • Доповніть виклик для побудови асоціативних правил, використавши metric — confidence і поріг 0.5.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)
Редагувати та запускати код