Utiliser des coordonnées parallèles pour visualiser des règles
Votre démonstration visuelle dans l'exercice précédent a convaincu la fondatrice que la frontière support-confiance mérite d'être explorée davantage. Elle vous suggère maintenant d'en extraire une partie et de la visualiser. Comme les règles qui se trouvent sur la frontière sont fortes selon la plupart des mesures courantes, elle soutient que vous devriez simplement visualiser l'existence d'une règle plutôt que l'intensité de la règle selon une mesure précise.
Vous réalisez qu'un graphique en coordonnées parallèles est idéal pour ce genre de cas. Les données ont été importées pour vous dans onehot. De plus, apriori(), association_rules() et parallel_coordinates() ont été importés, et pandas est accessible sous pd. La fonction rules_to_coordinates() a été définie et est disponible.
Cette activité fait partie du cours
Analyse des paniers d'achat en Python
Instructions de l’exercice
- Complétez l'instruction de l'algorithme Apriori avec un support minimal de 0,05.
- Calculez les règles d'association avec un seuil de confiance minimal de 0,50. C'est suffisamment élevé pour capter uniquement les points proches de la partie supérieure de la frontière support-confiance.
- Convertissez les règles en coordonnées.
- Tracez les coordonnées avec
parallel_coordinates().
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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()