CommencezCommencez gratuitement

Optimalité de la frontière support-confiance

Vous retournez voir la fondatrice avec le nuage de points produit dans l'exercice précédent et vous lui demandez si elle souhaite que vous utilisiez l'élagage pour retrouver la frontière support-confiance. Vous lui parlez du résultat de Bayardo-Agrawal, mais elle demeure sceptique et vous demande de le démontrer par un exemple.

En vous rappelant qu'un nuage de points peut ajuster la taille des points selon une troisième mesure, vous décidez d'en tirer parti pour démontrer l'optimalité de la frontière support-confiance. Vous le montrerez en ajustant la taille des points avec la mesure de lift, qui faisait partie des mesures auxquelles le résultat de Bayardo-Agrawal s'applique. Les données en encodage binaire (one-hot) ont été importées pour vous et sont disponibles sous onehot. De plus, apriori() et association_rules() ont été importées et pandas est accessible sous pd.

Cette activité fait partie du cours

Analyse des paniers d'achat en Python

Voir le cours

Instructions de l’exercice

  • Appliquez l'algorithme Apriori au DataFrame onehot.
  • Calculez les règles d'association en utilisant la mesure support et un seuil minimal de 0.0.
  • Complétez l'expression du nuage de points de manière à ajuster la taille des points selon lift.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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()
Modifier et exécuter le code