Saçılım grafikleriyle budama
Önceki egzersizdeki Batman temelli yayın servisi önerini gördükten sonra, kurucu ilk planının fazla dar olduğunu fark ediyor. Başlangıç başlıklarına odaklanmak yerine, senden ilişki kurallarındaki genel örüntülere odaklanmanı ve buna göre budama yapmanı istiyor. Amacın güçlü ilişkilerden oluşan geniş bir küme belirlemek olmalı.
Neyse ki az önce saçılım grafikleri oluşturmayı öğrendin. Birçok yaygın metrik için en iyi kurallar güven-destek sınırında yer aldığı için destek ve güveni çizerek başlamaya karar veriyorsun. Tek-seçenekli (one-hot) kodlanmış veriler senin için içe aktarıldı ve onehot olarak hazır. Ayrıca apriori() ve association_rules() içe aktarıldı ve pandas da pd olarak kullanılabilir.
Bu egzersiz, kursun bir parçasıdır
Python ile Market Basket Analysis
Egzersiz talimatları
- Minimum desteği 0.0075 olarak ve en fazla uzunluğu 2 olarak ayarlayarak 2 öğeden oluşan çok sayıda öğe kümesi üret.
- Ek bir filtrelemeden kaçınacak şekilde
association_rules()ifadesini tamamla. - Saçılım grafiğini oluşturma ifadesini tamamla ve
ydeğişkeniniconfidenceolacak şekilde ayarla.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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()