Визуализация правил с помощью графика параллельных координат
Ваша наглядная демонстрация в предыдущем упражнении убедила основателя компании в том, что граница поддержки и достоверности заслуживает более детального изучения. Теперь она предлагает выделить часть этой границы и визуализировать её. Поскольку правила, лежащие на границе, являются сильными с точки зрения большинства распространённых метрик, она считает, что достаточно отобразить сам факт наличия правила, не показывая его интенсивность по какой-либо метрике.
Вы понимаете, что для таких случаев идеально подходит график параллельных координат. Данные уже загружены как onehot. Также импортированы функции apriori(), association_rules() и parallel_coordinates(), а библиотека pandas доступна как pd. Функция rules_to_coordinates() определена и готова к использованию.
Это упражнение является частью курса
Анализ рыночных корзин на Python
Инструкции к упражнению
- Завершите вызов алгоритма Apriori, задав минимальную поддержку равной 0,05.
- Вычислите правила ассоциации, используя минимальный порог достоверности 0,50. Это достаточно высокое значение, чтобы отобрать только точки вблизи верхней части границы поддержки и достоверности.
- Преобразуйте правила в координаты.
- Постройте график координат с помощью функции
parallel_coordinates().
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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()