Začněte nyníZačněte zdarma

Optimalita hranice support-confidence

Vrátíš se k zakladatelce s bodovým grafem z předchozího cvičení a zeptáš se, jestli by chtěla použít prořezávání k obnovení hranice support-confidence. Zmíníš se o Bayardo-Agrawalově výsledku, ale zdá se, že je skeptická, a požádá tě, abys to demonstroval/a na konkrétním příkladu.

Vzpomeneš si, že bodové grafy umožňují škálovat velikost bodů podle třetí metriky, a rozhodneš se toho využít k demonstraci optimality hranice support-confidence. Ukážeš to tak, že velikost bodů budeš škálovat pomocí metriky lift, na kterou se Bayardo-Agrawalův výsledek vztahuje. Data zakódovaná metodou one-hot jsou už naimportována a dostupná jako onehot. Funkce apriori() a association_rules() jsou rovněž naimportovány a pandas je dostupný jako pd.

Toto cvičení je součástí kurzu

Market Basket Analysis v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Aplikuj algoritmus Apriori na DataFrame onehot.
  • Vypočítej asociační pravidla pomocí metriky support s minimálním prahem 0,0.
  • Doplň výraz pro bodový graf tak, aby velikost bodů byla škálována podle lift.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import seaborn under its standard alias
import seaborn as sns

# Apply the Apriori algorithm with a support value of 0.0075
frequent_itemsets = ____(____, min_support = 0.0075, 
                         use_colnames = True, max_len = 2)

# Generate association rules without performing additional pruning
rules = ____(frequent_itemsets, metric = "support", 
                          min_threshold = ____)

# Generate scatterplot using support and confidence
sns.scatterplot(x = "support", y = "confidence", 
                size = "____", data = rules)
plt.show()
Upravit a spustit kód