EmpezarEmpieza gratis

Poda con diagramas de dispersión

Después de revisar tu propuesta para el servicio de streaming inspirado en Batman del ejercicio anterior, la fundadora se da cuenta de que su plan inicial quizá era demasiado limitado. En lugar de centrarse en títulos concretos, te pide que te fijes en los patrones generales de las reglas de asociación y que luego realices la poda en consecuencia. Tu objetivo debe ser identificar un conjunto amplio de asociaciones sólidas.

Por suerte, acabas de aprender a generar diagramas de dispersión. Decides empezar representando soporte y confianza, ya que muchas métricas comunes sitúan las reglas óptimas en el borde confianza–soporte. Los datos one-hot codificados ya se han importado y están disponibles como onehot. Además, apriori() y association_rules() se han importado y pandas está disponible como pd.

Este ejercicio forma parte del curso

Análisis de cesta de la compra en Python

Ver curso

Instrucciones del ejercicio

  • Genera un gran número de itemsets de 2 elementos estableciendo el soporte mínimo en 0.0075 y la longitud máxima en 2.
  • Completa la llamada a association_rules() de forma que evite filtrado adicional.
  • Completa la instrucción para generar el diagrama de dispersión, configurando la variable y para usar confidence.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Import seaborn under its standard alias
import seaborn as sns

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

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

# Generate scatterplot using support and confidence
sns.scatterplot(x = "support", y = "____", data = ____)
plt.show()
Editar y ejecutar código