用散佈圖進行修剪
在檢視你前一題以蝙蝠俠為主題的串流服務提案後，創辦人意識到最初的計畫可能太過狹隘。她不再聚焦於特定片名，而是請你改以關聯規則中的整體模式為主，並據此進行修剪。你的目標是找出一大組強關聯。
所幸你剛學會如何產生散佈圖。你決定先繪製 support 與 confidence，因為依據許多常見指標，最佳規則通常落在 confidence-support 的邊界上。已為你匯入經 one-hot 編碼的資料，可透過 onehot 取得。此外，apriori() 與 association_rules() 已匯入，pandas 也已以 pd 可用。
本練習屬於課程
Python 的 Market Basket Analysis
練習說明
- 產生大量由 2 個項目組成的項目集：將最小 support 設為 0.0075，並將最大長度設為 2。
- 完成
association_rules()的敘述，避免額外的篩選。 - 完成產生散佈圖的敘述，將
y變數設為使用confidence。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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()