Začněte nyníZačněte zdarma

Vizualizace pravidel pomocí grafu paralelních souřadnic

Tvoje vizuální ukázka v předchozím cvičení přesvědčila zakladatelku, že hranice support-confidence stojí za další zkoumání. Navrhuje teď, abys část této hranice extrahoval/a a vizualizoval/a. Protože pravidla ležící na hranici jsou silná z hlediska většiny běžných metrik, argumentuje tím, že stačí zobrazit, zda pravidlo existuje – nikoli intenzitu pravidla podle nějaké metriky.

Uvědomuješ si, že graf paralelních souřadnic je pro takové případy ideální. Data jsou k dispozici jako onehot. Dále jsou naimportovány funkce apriori(), association_rules() a parallel_coordinates(), a pandas je dostupný jako pd. Funkce rules_to_coordinates() je definována a připravena k použití.

Toto cvičení je součástí kurzu

Market Basket Analysis v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Dokonči příkaz algoritmu Apriori s minimální hodnotou support 0,05.
  • Vypočítej asociační pravidla s minimálním prahem confidence 0,50. Tato hodnota je dostatečně vysoká, aby zachytila pouze body v blízkosti horní části hranice support-confidence.
  • Převeď pravidla na souřadnice.
  • Vykresli souřadnice pomocí parallel_coordinates().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Compute the frequent itemsets
frequent_itemsets = ____(onehot, min_support = ____, 
                         use_colnames = True, max_len = 2)

# Compute rules from the frequent itemsets with the confidence metric
rules = association_rules(frequent_itemsets, metric = '____', 
                          min_threshold = 0.50)

# Convert rules into coordinates suitable for use in a parallel coordinates plot
coords = rules_to_coordinates(____)

# Generate parallel coordinates plot
parallel_coordinates(____, 'rule')
plt.legend([])
plt.show()
Upravit a spustit kód