Використання паралельних координат для візуалізації правил
Ваша візуальна демонстрація у попередній вправі переконала засновницю, що межа «support–confidence» варта подальшого дослідження. Тепер вона пропонує виділити частину цієї межі та візуалізувати її. Оскільки правила, що лежать на межі, є сильними за більшістю поширених метрик, вона вважає, що варто просто показати, чи існує правило, а не інтенсивність правила за певною метрикою.
Ви розумієте, що графік паралельних координат чудово підходить для таких випадків. Дані вже імпортовано як onehot. Додатково імпортовано apriori(), association_rules() і parallel_coordinates(), а pandas доступний як pd. Функцію rules_to_coordinates() визначено й підготовлено до використання.
Ця вправа є частиною курсу
Маркет-баcкет аналіз у Python
Інструкції до вправи
- Завершіть виклик алгоритму Apriori з мінімальною підтримкою 0.05.
- Обчисліть правила асоціацій з мінімальним порогом довіри 0.50. Цього достатньо, щоб охопити лише точки у верхній частині межі «support–confidence».
- Перетворіть правила на координати.
- Побудуйте графік координат за допомогою
parallel_coordinates().
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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()