Usar coordenadas paralelas para visualizar reglas
Tu demostración visual en el ejercicio anterior convenció a la fundadora de que la frontera soporte-confianza merece explorarse más. Ahora te sugiere extraer una parte de la frontera y visualizarla. Dado que las reglas que caen en la frontera son sólidas respecto a las métricas más comunes, propone que simplemente representes si una regla existe, en lugar de la intensidad de la regla según alguna métrica.
Te das cuenta de que un gráfico de coordenadas paralelas es ideal para estos casos. Los datos se han importado como onehot. Además, se han importado apriori(), association_rules() y parallel_coordinates(), y pandas está disponible como pd. La función rules_to_coordinates() ya está definida y disponible.
Este ejercicio forma parte del curso
Análisis de cesta de la compra en Python
Instrucciones del ejercicio
- Completa la instrucción del algoritmo Apriori usando un soporte mínimo de 0.05.
- Calcula reglas de asociación usando un umbral mínimo de confianza de 0.50. Esto es lo bastante alto como para capturar exclusivamente puntos cercanos a la parte superior de la frontera soporte-confianza.
- Convierte las reglas en coordenadas.
- Dibuja las coordenadas con
parallel_coordinates().
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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()