始める無料で始める

support-confidence 境界の最適性

前の演習で作成した散布図を創業者に見せ、剪定を使って support-confidence 境界を再現しましょうかと提案します。Bayardo-Agrawal の結果について説明しましたが、彼女は半信半疑の様子で、例で示せないかと尋ねます。

散布図では第3の指標に応じて点の大きさを変えられることを思い出し、これを使って support-confidence 境界の最適性を示すことにします。Bayardo-Agrawal が適用した指標の1つである lift を用いて点の大きさをスケーリングして示します。ワンホットエンコード済みデータは onehot として読み込まれています。さらに、apriori() と association_rules() はインポート済みで、pandas は pd として利用できます。

この演習はコースの一部です

Python で学ぶマーケットバスケット分析

コースを見る

演習の手順

  • DataFrame onehot に Apriori アルゴリズムを適用します。
  • support 指標と最小しきい値 0.0 を使ってアソシエーションルールを計算します。
  • 散布図の式を完成させ、点の大きさが lift でスケーリングされるようにします。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

# 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()
コードを編集して実行