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.

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.

Exercise

Optymalność granicy wsparcia i ufności

Instructions

.css-6su6fj{-webkit-flex-shrink:0;-ms-flex-negative:0;flex-shrink:0;}Exercise

Instructions

Exercise