เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ความเหมาะสมที่สุดของขอบเขต support-confidence

คุณกลับไปหาผู้ก่อตั้งพร้อม scatterplot จากแบบฝึกหัดที่แล้ว และถามว่าต้องการให้ใช้การตัดทอน (pruning) เพื่อกู้คืนขอบเขต support-confidence หรือไม่ คุณอธิบายผลลัพธ์ของ Bayardo-Agrawal แต่เธอดูไม่แน่ใจ และขอให้แสดงตัวอย่างให้ชัดเจนขึ้น

เนื่องจาก scatterplot สามารถปรับขนาดของจุดตามเมตริกที่สาม คุณจึงตัดสินใจใช้วิธีนี้เพื่อแสดงความเหมาะสมที่สุดของขอบเขต support-confidence โดยจะปรับขนาดจุดด้วยเมตริก lift ซึ่งเป็นหนึ่งในเมตริกที่ผลลัพธ์ของ Bayardo-Agrawal ใช้ได้ ข้อมูลที่เข้ารหัสแบบ one-hot ได้นำเข้ามาแล้วและพร้อมใช้งานในชื่อ onehot นอกจากนี้ apriori() และ association_rules() ได้นำเข้ามาแล้ว และ pandas พร้อมใช้งานในชื่อ pd

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Market Basket Analysis ด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • นำอัลกอริทึม Apriori ไปใช้กับ DataFrame onehot
  • คำนวณกฎความสัมพันธ์โดยใช้เมตริก support และค่า threshold ขั้นต่ำที่ 0.0
  • เติมนิพจน์ใน scatterplot ให้สมบูรณ์ โดยให้ขนาดของจุดถูกปรับตาม lift

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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()
แก้ไขและรันโค้ด