ПочатиПочніть безкоштовно

Оптимальність межі підтримка–довіра

Ви повертаєтеся до засновниці з діаграмою розсіювання, отриманою у попередній вправі, й запитуєте, чи хотіла б вона, щоб ви застосували обрізання, щоб відновити межу підтримка–довіра. Ви розповідаєте їй про результат Байардо — Агравала, але вона налаштована скептично й просить продемонструвати це на прикладі.

Пам'ятаючи, що на діаграмі розсіювання можна масштабувати розмір точок за третьою метрикою, ви вирішуєте використати це, щоб показати оптимальність межі підтримка–довіра. Ви продемонструєте це, масштабувавши розмір точок метрикою lift, до якої й застосовується результат Байардо — Агравала. Дані у форматі one-hot вже імпортовано для вас і вони доступні як onehot. Додатково імпортовано apriori() і association_rules(), а pandas доступний як pd.

Ця вправа є частиною курсу

Маркет-баcкет аналіз у Python

Переглянути курс

Інструкції до вправи

  • Застосуйте алгоритм Apriori до датафрейму onehot.
  • Обчисліть правила асоціацій, використовуючи метрику support і мінімальний поріг 0.0.
  • Доповніть вираз для діаграми розсіювання так, щоб розмір точок масштабувався за lift.

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 = ____(____, 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()
Редагувати та запускати код