शुरू करेंमुफ़्त में शुरू करें

Support-Confidence बॉर्डर की Optimality

आप पिछले अभ्यास में बने scatterplot के साथ संस्थापक के पास लौटते हैं और पूछते हैं कि क्या वह चाहेंगी कि आप pruning का उपयोग करके support-confidence बॉर्डर पुनर्प्राप्त करें. आप उन्हें Bayardo-Agrawal के परिणाम के बारे में बताते हैं, लेकिन वह संदेह में हैं और पूछती हैं कि क्या आप इसे किसी उदाहरण में दिखा सकते हैं.

याद करते हुए कि scatterplots तीसरे metric के अनुसार dots के आकार को scale कर सकते हैं, आप उसी का उपयोग करके support-confidence बॉर्डर की optimality दिखाने का निर्णय लेते हैं. आप यह lift metric से dot size को scale करके दिखाएँगे, जो उन metrics में से एक था जिन पर Bayardo-Agrawal लागू होता है. One-hot एन्कोडेड डेटा आपके लिए इम्पोर्ट कर दिया गया है और onehot के रूप में उपलब्ध है. इसके अलावा, apriori() और association_rules() इम्पोर्ट किए जा चुके हैं और pandas pd के रूप में उपलब्ध है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Market Basket Analysis

पाठ्यक्रम देखें

अभ्यास निर्देश

  • DataFrame onehot पर Apriori एल्गोरिदम लागू करें.
  • support metric और 0.0 के minimum threshold के साथ association rules compute करें.
  • scatterplot के लिए expression इस तरह पूरा करें कि dot size lift से scale हो.

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 = ____(____, 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()
कोड संपादित करें और चलाएँ