Базовая фильтрация результатов Apriori

Анализ рыночных корзин на Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Apriori и правила ассоциации

Apriori фильтрует наборы элементов.
- Применяет порог минимальной поддержки.
- Модифицированная версия может фильтровать по числу элементов.
- Не даёт информации о правилах ассоциации.
Правила ассоциации.
- Правил ассоциации значительно больше, чем наборов элементов.
- {Bags, Boxes}: Bags -> Boxes или Boxes -> Bags.

Как вычислять правила ассоциации

Вычисление правил по результатам Apriori.
- При больших n и k перебор становится затруднительным.
- Может свести на нет фильтрацию наборов, выполненную Apriori.

Сокращение числа правил ассоциации.
- Модуль mlxtend предоставляет инструменты для фильтрации правил ассоциации.
- association_rules() принимает частые наборы, метрику и порог.

Как вычислять правила ассоциации

# Import Apriori algorithm
from mlxtend.frequent_patterns import apriori, association_rules

# Load one-hot encoded novelty gifts data
onehot = pd.read_csv('datasets/online_retail_onehot.csv')

# Apply Apriori algorithm
frequent_itemsets = apriori(onehot, 
                            use_colnames=True, 
                            min_support=0.0001)

# Compute association rules
rules = association_rules(frequent_itemsets,
                          metric = "support", 
                          min_threshold = 0.0)

Важность фильтрации

# Print the rules.
print(rules)

                               antecedents  ... conviction
0      (CARDHOLDER GINGHAM CHRISTMAS TREE)  ...      inf
...
79505      (SET OF 3 HEART COOKIE CUTTERS)  ... 1.998496

# Print the frequent itemsets.
print(frequent_itemsets)

       support                                           itemsets
0     0.000752                   ( 50'S CHRISTMAS GIFT BAG LARGE)
...
4707  0.000752                  (PIZZA PLATE IN BOX, CHRISTMAS ...

Важность фильтрации

# Compute association rules
rules = association_rules(frequent_itemsets,
                          metric = "support", 
                          min_threshold = 0.001)

# Print the rules.
print(rules)

                   antecedents      conviction  
0  (BIRTHDAY CARD, RETRO SPOT)  ...  2.977444 
1    (JUMBO BAG RED RETROSPOT)  ...  1.247180

Анализ набора правил

print(rules.columns)

Index(['antecedents', 'consequents', 'antecedent support',
       'consequent support', 'support', 'confidence', 'lift', 'leverage',
       'conviction'],
      dtype='object')

print(rules[['antecedents','consequents']])

                   antecedents                  consequents
0    (JUMBO BAG RED RETROSPOT)  (BIRTHDAY CARD, RETRO SPOT)
1  (BIRTHDAY CARD, RETRO SPOT)    (JUMBO BAG RED RETROSPOT)

Фильтрация с помощью других метрик

# Compute association rules
rules = association_rules(frequent_itemsets,
                          metric = "antecedent support", 
                          min_threshold = 0.002)

# Print the number of rules.
print(len(rules))

Давайте потренируемся!

Анализ рыночных корзин на Python