शुरू करेंमुफ़्त में शुरू करें

नियमों को विज़ुअलाइज़ करने के लिए parallel coordinates का उपयोग

पिछले अभ्यास में आपके विज़ुअल डेमो ने फाउंडर को यह मानने के लिए राज़ी कर दिया कि सप्लाई-कॉन्फिडेंस बॉर्डर को और गहराई से देखना चाहिए. अब वह सुझाती हैं कि आप बॉर्डर के एक हिस्से को निकालकर उसे विज़ुअलाइज़ करें. चूँकि बॉर्डर पर आने वाले नियम सामान्य metrics के संदर्भ में मज़बूत होते हैं, उनका तर्क है कि आपको किसी metric की तीव्रता दिखाने के बजाय बस यह दिखाना चाहिए कि कोई नियम मौजूद है या नहीं.

आप समझते हैं कि ऐसे मामलों के लिए parallel coordinates प्लॉट एकदम उपयुक्त है. डेटा आपके लिए onehot के रूप में इम्पोर्ट किया गया है. इसके अलावा apriori(), association_rules(), और parallel_coordinates() इम्पोर्ट हैं, और pandas pd नाम से उपलब्ध है. फंक्शन rules_to_coordinates() परिभाषित है और उपलब्ध है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Market Basket Analysis

पाठ्यक्रम देखें

अभ्यास निर्देश

  • Apriori एल्गोरिदम वाले स्टेटमेंट को 0.05 के minimum support के साथ पूरा करें.
  • 0.50 के minimum confidence threshold के साथ association rules compute करें. यह पर्याप्त रूप से ऊँचा है ताकि सप्लाई-कॉन्फिडेंस बॉर्डर के ऊपरी हिस्से के पास के पॉइंट्स ही कैप्चर हों.
  • नियमों को coordinates में कन्वर्ट करें.
  • parallel_coordinates() का उपयोग करके coordinates प्लॉट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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()
कोड संपादित करें और चलाएँ