用 confidence 进行剪枝
您又一次陷入两难：找到了多条有用的规则，却无法缩小到只剩一条。更糟的是，您找到的两条规则使用了相同的项集，只是互换了前件和后件。您决定看看能否通过使用另一种度量进行剪枝，从而将范围缩小到单一的关联规则。
用哪种度量更合适？对于从同一项集生成的所有规则，lift 和 support 都相同，因此您决定改用 confidence，因为对同一项集生成的规则，confidence 会不同。注意，pandas 已以 pd 导入，独热编码的交易数据为 onehot。另外，已从 mlxtend 导入了 apriori。
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。 - 使用支持度 0.0015 和最大项集长度 2，补全
apriori算法的语句。 - 使用 confidence 作为度量，并将阈值设为 0.5，补全关联规则的语句。
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
____
# 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)