स्कैटरप्लॉट्स के साथ प्रूनिंग
पिछले अभ्यास में दिए गए Batman-आधारित स्ट्रीमिंग सेवा प्रस्ताव को देखने के बाद, संस्थापक को समझ आता है कि शुरुआती योजना शायद बहुत संकीर्ण थी. शुरुआती टाइटल्स पर ध्यान देने के बजाय, वह आपसे कहती हैं कि आप association rules में आम पैटर्नों पर ध्यान दें और फिर उसी अनुसार प्रूनिंग करें. आपका लक्ष्य मजबूत एसोसिएशनों का बड़ा सेट पहचानना होना चाहिए.
सौभाग्य से, आपने अभी-अभी स्कैटरप्लॉट बनाना सीखा है. आप सपोर्ट और कॉन्फिडेंस को प्लॉट करके शुरू करने का निर्णय लेते हैं, क्योंकि कई आम मेट्रिक्स के अनुसार सभी बेहतर rules कॉन्फिडेंस-सपोर्ट बॉर्डर पर होते हैं. वन-हॉट एन्कोड किया हुआ डेटा आपके लिए इम्पोर्ट किया जा चुका है और onehot के रूप में उपलब्ध है. इसके अलावा, apriori() और association_rules() इम्पोर्ट किए गए हैं और pandas pd के रूप में उपलब्ध है.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Market Basket Analysis
अभ्यास निर्देश
- न्यूनतम सपोर्ट 0.0075 सेट करके और अधिकतम लंबाई 2 रखकर, 2 आइटम वाले बहुत सारे itemsets जनरेट करें.
association_rules()के लिए स्टेटमेंट इस तरह पूरी करें कि कोई अतिरिक्त फ़िल्टरिंग न हो.- स्कैटरप्लॉट जनरेट करने के लिए स्टेटमेंट पूरी करें और
yवैरिएबल कोconfidenceउपयोग करने के लिए सेट करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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()