Usare le coordinate parallele per visualizzare le regole
La tua dimostrazione visiva nell’esercizio precedente ha convinto la fondatrice che il confine supporto–confidenza merita di essere esplorato meglio. Ora ti suggerisce di estrarne una parte e visualizzarla. Dato che le regole che cadono sul confine sono forti rispetto alle metriche più comuni, sostiene che dovresti semplicemente visualizzare se una regola esiste, invece dell’intensità della regola secondo una metrica.
Ti rendi conto che un grafico a coordinate parallele è ideale in questi casi. I dati sono stati importati per te come onehot. Inoltre, apriori(), association_rules() e parallel_coordinates() sono stati importati e pandas è disponibile come pd. La funzione rules_to_coordinates() è stata definita ed è disponibile.
Questo esercizio fa parte del corso
Analisi del carrello in Python
Istruzioni dell'esercizio
- Completa l’istruzione dell’algoritmo Apriori usando un supporto minimo di 0,05.
- Calcola le regole di associazione usando una soglia di confidenza minima di 0,50. È sufficientemente alta da catturare esclusivamente i punti vicino alla parte superiore del confine supporto–confidenza.
- Converti le regole in coordinate.
- Traccia le coordinate usando
parallel_coordinates().
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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()