เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การใช้ parallel coordinates เพื่อแสดงภาพกฎ

การสาธิตด้วยภาพในแบบฝึกหัดก่อนหน้าทำให้ผู้ก่อตั้งเชื่อมั่นว่า supply-confidence border นั้นคุ้มค่าแก่การสำรวจเพิ่มเติม เธอจึงแนะนำให้ดึงข้อมูลบางส่วนของ border นั้นออกมาและแสดงภาพ เนื่องจากกฎที่อยู่บน border มีความแข็งแกร่งตามเมตริกส่วนใหญ่ เธอจึงเห็นว่าควรแสดงให้เห็นเพียงแค่ว่ากฎนั้นมีอยู่หรือไม่ แทนที่จะแสดงความเข้มข้นของกฎตามเมตริกใดเมตริกหนึ่ง

คุณตระหนักว่า parallel coordinates plot เหมาะอย่างยิ่งสำหรับกรณีเช่นนี้ ข้อมูลถูกนำเข้าให้แล้วในชื่อ onehot นอกจากนี้ยังได้นำเข้า apriori(), association_rules() และ parallel_coordinates() แล้ว และ pandas พร้อมใช้งานในชื่อ pd ส่วนฟังก์ชัน rules_to_coordinates() ได้ถูกกำหนดไว้และพร้อมใช้งานแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Market Basket Analysis ด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • เติมคำสั่งอัลกอริทึม Apriori โดยใช้ค่า minimum support ที่ 0.05
  • คำนวณ association rules โดยใช้ค่าขีดจำกัด minimum confidence ที่ 0.50 ซึ่งสูงพอที่จะคัดเลือกเฉพาะจุดที่อยู่ใกล้ส่วนบนของ supply-confidence border
  • แปลงกฎให้เป็นพิกัด
  • พล็อตพิกัดโดยใช้ parallel_coordinates()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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()
แก้ไขและรันโค้ด