ÎncepețiÎncepe gratuit

Optimalitatea frontierei suport-încredere

Te întorci la fondatoare cu diagrama de dispersie obținută în exercițiul anterior și o întrebi dacă ar dori să folosești pruning pentru a recupera frontiera suport-încredere. Îi explici rezultatul Bayardo-Agrawal, însă ea pare sceptică și te roagă să demonstrezi acest lucru printr-un exemplu.

Știind că diagramele de dispersie pot scala dimensiunea punctelor în funcție de o a treia metrică, decizi să folosești această funcționalitate pentru a demonstra optimalitatea frontierei suport-încredere. Vei face asta scalând dimensiunea punctelor folosind metrica lift, una dintre metricile la care se aplică rezultatul Bayardo-Agrawal. Datele codificate one-hot au fost deja importate și sunt disponibile ca onehot. De asemenea, apriori() și association_rules() au fost importate, iar pandas este disponibil ca pd.

Acest exercițiu face parte din cursul

Analiza coșului de cumpărături în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Aplică algoritmul Apriori pe DataFrame-ul onehot.
  • Calculează regulile de asociere folosind metrica support și un prag minim de 0,0.
  • Completează expresia pentru diagrama de dispersie astfel încât dimensiunea punctelor să fie scalată după lift.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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()
Editează și rulează codul