ПочатиПочніть безкоштовно

Розширене фільтрування за кількома метриками

Раніше ми використовували дані з інтернет-магазину подарунків, щоб знайти антецеденти, які можна використати для просування цільового консеквента. Оскільки потенційних правил було багато, довелося покладатися на алгоритм Apriori та фільтрування за кількома метриками, щоб звузити вибір. У цій вправі ми розглянемо повний набір правил і знайдемо корисне, а не шукатимемо конкретний антецедент.

Зверніть увагу, що дані завантажено, попередньо оброблено й перетворено в one-hot формат і вони доступні як onehot. Крім того, apriori() та association_rules() імпортовано з mlxtend. У цій вправі ви застосуєте алгоритм Apriori, щоб знайти часті набори товарів. Потім отримаєте асоціативні правила з цих наборів і застосуєте фільтрування за кількома метриками.

Ця вправа є частиною курсу

Маркет-баcкет аналіз у Python

Переглянути курс

Інструкції до вправи

  • Застосуйте алгоритм Apriori до one-hot закодованих наборів із мінімальною підтримкою 0.001.
  • Видобудьте асоціативні правила, використовуючи поріг підтримки 0.001.
  • Встановіть antecedent_support на 0.002 і consequent_support на 0.01.
  • Задайте confidence більшим за 0.60 і lift більшим за 2.50.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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']])
Редагувати та запускати код