Kuralları görselleştirmek için paralel koordinatlar kullanma
Önceki egzersizdeki görsel gösterimin, kurucuya destek-güven sınırının daha fazla araştırılmaya değer olduğunu gösterdi. Şimdi bu sınırın bir bölümünü çıkarıp görselleştirmeni öneriyor. Sınır üzerinde yer alan kurallar yaygın metriklerin çoğu açısından güçlü olduğu için, bazı metriklere göre kuralın şiddetini göstermek yerine, yalnızca bir kuralın var olup olmadığını görselleştirmen gerektiğini savunuyor.
Böyle durumlar için paralel koordinatlar grafiğinin ideal olduğunu fark ediyorsun. Veriler onehot olarak içe aktarılmış durumda. Ayrıca apriori(), association_rules() ve parallel_coordinates() içe aktarılmış; pandas da pd takma adıyla hazır. rules_to_coordinates() fonksiyonu tanımlanmış ve kullanılabilir.
Bu egzersiz, kursun bir parçasıdır
Python ile Market Basket Analysis
Egzersiz talimatları
- Minimum destek 0,05 olacak şekilde Apriori algoritması ifadesini tamamla.
- Minimum güven eşiği 0,50 olacak şekilde birliktelik kurallarını hesapla. Bu değer, yalnızca destek-güven sınırının üst kısmına yakın noktaları yakalamak için yeterince yüksektir.
- Kuralları koordinatlara dönüştür.
- Koordinatları
parallel_coordinates()kullanarak görselleştir.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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()