使用多重指標的進階篩選
先前我們使用一家線上創意禮品店的資料，找出可用來促銷特定後件（consequent）的前件（antecedent）。由於可能的規則集合很大，我們必須依賴 Apriori 演算法與多重指標篩選來縮小範圍。在這個練習中，我們會檢視完整的規則集合並找出一條有用的規則，而不是鎖定某個特定的前件。
請注意，資料已載入、前處理並完成 one-hot 編碼，可由 onehot 取得。此外，mlxtend 中的 apriori() 與 association_rules() 已經匯入。在本練習中，你將套用 Apriori 演算法以找出頻繁項集。接著，從這些項集中產生關聯規則，並套用多重指標篩選。
本練習屬於課程
Python 的 Market Basket Analysis
練習說明
- 以最小支持度門檻 0.001，將 Apriori 演算法套用到 one-hot 編碼的項集。
- 使用最小支持度門檻 0.001 萃取關聯規則。
- 將
antecedent_support設為 0.002，consequent_support設為 0.01。 - 將
confidence設為大於 0.60，lift設為大於 2.50。
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。
# 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']])