ПочатиПочніть безкоштовно

Обрізання за допомогою діаграм розсіювання

Після перегляду вашої пропозиції щодо стримінгового сервісу, зосередженої на Бетмені, засновниця зрозуміла, що початковий план міг бути занадто вузьким. Замість фокусу на стартових титулах вона просить вас звернути увагу на загальні закономірності в правилах асоціацій і вже потім виконати обрізання. Ваша мета — визначити велику множину сильних асоціацій.

На щастя, щойно ви навчилися будувати діаграми розсіювання. Ви вирішуєте почати з відображення підтримки (support) і довіри (confidence), адже оптимальні правила за багатьма поширеними метриками розташовані на межі «confidence–support». Дані у вигляді one-hot кодування вже імпортовано й доступні як onehot. Крім того, імпортовано apriori() та association_rules(), а pandas доступний як pd.

Ця вправа є частиною курсу

Маркет-баcкет аналіз у Python

Переглянути курс

Інструкції до вправи

  • Згенеруйте велику кількість наборів товарів із 2 елементів, встановивши мінімальну підтримку 0.0075 і максимальну довжину 2.
  • Доповніть виклик association_rules() так, щоб уникнути додаткового фільтрування.
  • Завершіть інструкцію для побудови діаграми розсіювання, встановивши змінну y як confidence.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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()
Редагувати та запускати код