Zacznij terazZacznij za darmo

Optymalność granicy wsparcia i ufności

Wracasz do założycielki z wykresem rozrzutu wygenerowanym w poprzednim ćwiczeniu i pytasz, czy chciałaby zastosować przycinanie, aby odzyskać granicę wsparcia i ufności. Informujesz ją o wyniku Bayardo-Agrawala, jednak wydaje się sceptyczna i prosi, żebyś zademonstrował(-a) to na przykładzie.

Pamiętając, że wykresy rozrzutu pozwalają skalować rozmiar kropek według trzeciej metryki, postanawiasz to wykorzystać, aby zilustrować optymalność granicy wsparcia i ufności. Pokażesz to, skalując rozmiar kropek według metryki lift, która należy do metryk, do których stosuje się wynik Bayardo-Agrawala. Dane zakodowane metodą one-hot zostały już zaimportowane i są dostępne jako onehot. Ponadto zaimportowano apriori() oraz association_rules(), a biblioteka pandas jest dostępna jako pd.

To ćwiczenie jest częścią kursu

Analiza koszyka zakupowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Zastosuj algorytm Apriori do ramki danych onehot.
  • Oblicz reguły asocjacyjne, używając metryki support i minimalnego progu równego 0,0.
  • Uzupełnij wyrażenie dla wykresu rozrzutu tak, aby rozmiar kropek był skalowany według wartości lift.

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 = ____(____, 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()
Edytuj i uruchom kod