Visualisera regler med parallella koordinater
Din visuella demonstration i föregående övning övertygade grundaren om att gränsen mellan support och konfidensens är värd att utforska vidare. Hon föreslår nu att du extraherar en del av gränsen och visualiserar den. Eftersom reglerna som ligger på gränsen är starka med avseende på de flesta vanliga mått, menar hon att du helt enkelt bör visualisera om en regel existerar – snarare än regelns styrka enligt ett specifikt mått.
Du inser att ett diagram med parallella koordinater är idealiskt i sådana fall. Data har importerats åt dig som onehot. Dessutom har apriori(), association_rules() och parallel_coordinates() importerats, och pandas är tillgängligt som pd. Funktionen rules_to_coordinates() är definierad och tillgänglig.
Den här övningen är en del av kursen
Marknadskorgsanalys i Python
Övningsinstruktioner
- Slutför Apriori-algoritmsatsen med ett minimumsupport på 0,05.
- Beräkna associationsregler med ett minsta konfidenströskelvärde på 0,50. Det är tillräckligt högt för att uteslutande fånga punkter nära den övre delen av support-konfidensgränsen.
- Konvertera reglerna till koordinater.
- Rita koordinaterna med
parallel_coordinates().
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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()