Zacznij terazZacznij za darmo

Wizualizacja reguł za pomocą wykresu współrzędnych równoległych

Twoja wizualizacja z poprzedniego ćwiczenia przekonała założycielkę firmy, że granica wsparcia i zaufania jest warta głębszej analizy. Proponuje teraz, abyś wyodrębnił fragment tej granicy i zwizualizował jej zawartość. Ponieważ reguły leżące na granicy są mocne według większości popularnych metryk, uważa, że wystarczy pokazać samo istnienie reguły – bez uwzględniania jej intensywności według konkretnej metryki.

Dochodzisz do wniosku, że wykres współrzędnych równoległych idealnie sprawdzi się w takim przypadku. Dane zostały wczytane jako onehot. Dostępne są też apriori(), association_rules() i parallel_coordinates(), a biblioteka pandas jest dostępna jako pd. Funkcja rules_to_coordinates() jest już zdefiniowana i gotowa do użycia.

To ćwiczenie jest częścią kursu

Analiza koszyka zakupowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Uzupełnij wywołanie algorytmu Apriori, ustawiając minimalne wsparcie na poziomie 0,05.
  • Oblicz reguły asocjacyjne, używając minimalnego progu zaufania równego 0,50. Jest on wystarczająco wysoki, aby uchwycić wyłącznie punkty w pobliżu górnej części granicy wsparcia i zaufania.
  • Przekształć reguły we współrzędne.
  • Narysuj wykres współrzędnych za pomocą parallel_coordinates().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()
Edytuj i uruchom kod