Kom igångKom igång gratis

Beskärning med spridningsdiagram

Efter att ha granskat ditt Batman-baserade förslag för streamingtjänsten från föregående övning inser grundaren att hennes ursprungliga plan kanske var för snäv. I stället för att fokusera på enskilda titlar ber hon dig att undersöka generella mönster i associationsreglerna och sedan utföra beskärning utifrån det. Målet är att identifiera en stor mängd starka associationer.

Tur nog har du precis lärt dig att skapa spridningsdiagram. Du bestämmer dig för att börja med att plotta support och konfidens, eftersom alla optimala regler enligt många vanliga mätvärden återfinns längs konfidenströskeln mot support. De one-hot-kodade data har importerats och finns tillgängliga som onehot. Dessutom har apriori() och association_rules() importerats och pandas finns tillgängligt som pd.

Den här övningen är en del av kursen

Marknadskorgsanalys i Python

Visa kurs

Övningsinstruktioner

  • Generera ett stort antal itemsets med 2 objekt genom att sätta minimumsupporten till 0,0075 och maxlängden till 2.
  • Fyll i anropet till association_rules() på ett sätt som undviker ytterligare filtrering.
  • Fyll i koden för att generera spridningsdiagrammet och sätt variabeln y till confidence.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import seaborn under its standard alias
import seaborn as sns

# Apply the Apriori algorithm with a support value of 0.0075
frequent_itemsets = apriori(onehot, min_support = ___, 
                            use_colnames = True, max_len = ____)

# Generate association rules without performing additional pruning
rules = association_rules(____, metric = 'support', 
                          min_threshold = ____)

# Generate scatterplot using support and confidence
sns.scatterplot(x = "support", y = "____", data = ____)
plt.show()
Redigera och kör kod