以 confidence 進行剪枝
你又遇到瓶頸了：找出了多條有用的規則，卻無法縮小到只剩一條。更糟的是，你找到的兩條規則來自相同的項目集，只是前件與後件互換。你決定改用另一個評估指標來剪枝，看看能不能把結果縮減為單一條關聯規則。
該用哪個指標呢？對於同一個項目集所能產生的所有規則，lift 與 support 會相同，因此你決定改用 confidence，因為它在相同項目集所產生的規則之間會不同。注意：pandas 已以 pd 名稱提供，一份 one-hot 編碼的交易資料已以 onehot 名稱提供。另外，apriori 已從 mlxtend 匯入。
本練習屬於課程
Python 的 Market Basket Analysis
練習說明
- 從
mlxtend匯入association_rules。 - 完成
apriori演算法的敘述，使用 support 值 0.0015，且最大項目集長度為 2。 - 完成關聯規則的敘述，使用 confidence 作為評估指標（metric），門檻值為 0.5。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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)