Dùng parallel coordinates để trực quan hóa các luật
Phần minh họa trực quan ở bài trước đã thuyết phục nhà sáng lập rằng biên supply-confidence đáng để đào sâu thêm. Bà ấy đề nghị bạn trích xuất một phần của biên này và trực quan hóa nó. Vì các luật nằm trên biên đều mạnh theo hầu hết các thước đo phổ biến, bà lập luận rằng bạn chỉ cần trực quan hóa việc một luật có tồn tại hay không, thay vì cường độ của luật theo một thước đo nào đó.
Bạn nhận ra biểu đồ parallel coordinates là lý tưởng cho trường hợp này. Dữ liệu đã được nhập sẵn dưới dạng onehot. Ngoài ra, apriori(), association_rules(), và parallel_coordinates() đã được nhập, và pandas có sẵn dưới tên pd. Hàm rules_to_coordinates() đã được định nghĩa và có thể sử dụng.
Bài tập này là một phần của khóa học
Phân tích giỏ hàng trong Python
Hướng dẫn bài tập
- Hoàn thành câu lệnh thuật toán Apriori với minimum support bằng 0.05.
- Tính toán association rules với ngưỡng minimum confidence bằng 0.50. Mức này đủ cao để chỉ lấy các điểm gần phần trên của biên supply-confidence.
- Chuyển các luật thành tọa độ.
- Vẽ các tọa độ bằng
parallel_coordinates().
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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()