ПочатиПочніть безкоштовно

Агрегація та фільтрування

У відео ми допомагали менеджерці крамниці подарунків розташувати секції в її фізичній торговій точці відповідно до правил асоціацій. Планування магазину змусило нас згрупувати секції у дві пари типів товарів. Після застосування розширених методів фільтрування ми запропонували такий план поверху:

Зображення показує схему магазину, яку було обрано у відео.

Тепер менеджерка просить вас підготувати ще один варіант планування, але за іншим критерієм: кожна пара секцій має містити один товар з високою підтримкою та один — з низькою підтримкою. Дані aggregated уже агреговано та перетворено в one-hot формат. Крім того, apriori() і association_rules() імпортовано з mlxtend.

Ця вправа є частиною курсу

Маркет-баcкет аналіз у Python

Переглянути курс

Інструкції до вправи

  • Згенеруйте набір частих itemsets з мінімальним порогом підтримки 0,0001.
  • Визначте всі правила з мінімальним порогом підтримки 0,0001.
  • Виберіть усі правила з antecedent support більшою за 0,35.
  • Виберіть усі правила з максимальною consequent support, нижчою за 0,35.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)
Редагувати та запускати код