Kom igångKom igång gratis

Optimalitet hos support-konfidenssgränsen

Du återvänder till grundaren med spridningsdiagrammet från föregående övning och frågar om hon vill att du ska använda pruning för att återskapa support-konfidenssgränsen. Du berättar om Bayardo-Agrawals resultat, men hon verkar skeptisk och ber dig visa det med ett konkret exempel.

Eftersom spridningsdiagram kan skala storleken på punkter efter ett tredje mått bestämmer du dig för att använda det för att demonstrera optimaliteten hos support-konfidenssgränsen. Du visar detta genom att skala punktstorleken med lift-måttet, ett av de mått som Bayardo-Agrawals resultat gäller för. De one-hot-kodade data har importerats åt dig och finns tillgängliga som onehot. Dessutom har apriori() och association_rules() importerats, och pandas är tillgängligt som pd.

Den här övningen är en del av kursen

Marknadskorgsanalys i Python

Visa kurs

Övningsinstruktioner

  • Tillämpa Apriori-algoritmen på DataFrame:n onehot.
  • Beräkna associationsreglerna med måttet support och ett minimumtröskelvärde på 0,0.
  • Slutför uttrycket för spridningsdiagrammet så att punktstorleken skalas efter lift.

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 = ____(____, 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()
Redigera och kör kod