Zacznij terazZacznij za darmo

Przycinanie za pomocą wykresów rozrzutu

Po obejrzeniu propozycji serwisu streamingowego opartego na filmach o Batmanie z poprzedniego ćwiczenia, założycielka serwisu dochodzi do wniosku, że jej pierwotny plan był zbyt wąski. Zamiast koncentrować się na konkretnych tytułach, prosi cię o przeanalizowanie ogólnych wzorców w regułach asocjacyjnych, a następnie przeprowadzenie przycinania na ich podstawie. Twoim celem jest zidentyfikowanie dużego zbioru silnych asocjacji.

Na szczęście właśnie nauczyłeś się generować wykresy rozrzutu. Postanawiasz zacząć od wykreślenia wsparcia i ufności – wiele popularnych metryk wskazuje bowiem, że optymalne reguły grupują się wzdłuż granicy ufność–wsparcie. Dane zakodowane metodą one-hot zostały już zaimportowane i są dostępne jako onehot. Zaimportowane są też funkcje apriori() i association_rules(), a biblioteka pandas jest dostępna jako pd.

To ćwiczenie jest częścią kursu

Analiza koszyka zakupowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Wygeneruj dużą liczbę zbiorów elementów składających się z 2 elementów, ustawiając minimalne wsparcie na 0.0075 i maksymalną długość na 2.
  • Uzupełnij wywołanie association_rules() w sposób, który pomija dodatkowe filtrowanie.
  • Uzupełnij wywołanie generujące wykres rozrzutu, ustawiając zmienną y na confidence.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()
Edytuj i uruchom kod