support-confidence 邊界的最佳性
你帶著上一個練習產生的散佈圖回去找創辦人，並詢問她是否希望你使用修剪來復原 support-confidence 邊界。你向她說明了 Bayardo-Agrawal 的結果，但她似乎半信半疑，要求你用一個範例示範。
想到散佈圖可以依據第三個指標來縮放點的大小，你決定用這點來展示 support-confidence 邊界的最佳性。你會用 lift 指標來縮放點的大小，這正是 Bayardo-Agrawal 所適用的指標之一。one-hot 編碼後的資料已經幫你匯入為 onehot。此外，apriori() 與 association_rules() 也已匯入，pandas 可用名稱為 pd。
本練習屬於課程
Python 的 Market Basket Analysis
練習說明
- 對 DataFrame
onehot套用 Apriori 演算法。 - 使用
support指標與最小門檻 0.0 計算關聯規則。 - 完成散佈圖的程式，使點的大小由
lift來縮放。
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 = ____(____, 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()