使用 lift 进行剪枝
您再次向创意礼品店的经理汇报。这次，您告诉她：当在 Apriori 算法中使用较高的支持度阈值时，没有识别出任何规则；而使用较低阈值时，只得到两条规则。她肯定了您的工作，但希望您考虑使用另一种度量，将两条规则进一步缩减为一条。
您记得 lift 的解释很直观：值大于 1 表示这些商品的共现频率高于在交易中独立分布时的预期。因此您决定使用 lift，因为这一点便于沟通。请注意，pandas 已以 pd 导入，独热编码的交易数据存放在 onehot 中；此外，apriori 已从 mlxtend 导入。
本练习是课程的一部分
Python 中的购物篮分析
练习说明
- 从
mlxtend导入association_rules函数。 - 使用支持度 0.001 和最大项集长度 2 计算频繁项集。
- 补全语句，仅保留 lift 不小于 1.0 的规则。
- 打印包含规则的 DataFrame。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Import the association rules function
from mlxtend.____ import ____
# Compute frequent itemsets using the Apriori algorithm
frequent_itemsets = apriori(onehot, min_support = ____,
max_len = ____, use_colnames = True)
# Compute all association rules for frequent_itemsets
rules = association_rules(frequent_itemsets,
metric = "____",
min_threshold = ____)
# Print association rules
print(____)