Vizualizarea regulilor cu coordonate paralele
Demonstrația ta vizuală din exercițiul anterior a convins fondatoarea că granița supply-confidence merită explorată mai în profunzime. Ea îți sugerează acum să extragi o parte a acestei granițe și să o vizualizezi. Deoarece regulile aflate pe graniță sunt puternice în raport cu cele mai comune metrici, ea argumentează că ar trebui să vizualizezi pur și simplu dacă o regulă există, nu intensitatea ei conform unei anumite metrici.
Îți dai seama că un grafic cu coordonate paralele este ideal pentru astfel de cazuri. Datele au fost importate pentru tine sub forma onehot. De asemenea, apriori(), association_rules() și parallel_coordinates() au fost importate, iar pandas este disponibil ca pd. Funcția rules_to_coordinates() a fost definită și este disponibilă.
Acest exercițiu face parte din cursul
Analiza coșului de cumpărături în Python
Instrucțiuni pentru exercițiu
- Completează instrucțiunea algoritmului Apriori folosind un suport minim de 0,05.
- Calculează regulile de asociere folosind un prag minim de încredere de 0,50. Acesta este suficient de ridicat pentru a captura exclusiv punctele din apropierea părții superioare a graniței supply-confidence.
- Convertește regulile în coordonate.
- Reprezintă grafic coordonatele folosind
parallel_coordinates().
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# 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()