开始使用免费开始使用

支持-置信边界的最优性

您带着上一个练习生成的散点图回到创始人那儿，询问是否需要通过剪枝来恢复支持-置信边界。您向她提到 Bayardo-Agrawal 的结论，但她仍然存疑，并要求您用一个示例来演示。

想到散点图可以根据第三个指标来缩放点的大小，您决定用这一点来展示支持-置信边界的最优性。具体做法是用提升度（lift）指标来缩放点的大小，这是 Bayardo-Agrawal 适用的指标之一。独热编码的数据已为您导入，变量名为 onehot。另外，apriori() 和 association_rules() 已导入，pandas 以 pd 可用。

本练习是课程的一部分

Python 中的购物篮分析

查看课程

练习说明

  • 在 DataFrame onehot 上应用 Apriori 算法。
  • 使用 support 指标并将最小阈值设为 0.0 来计算关联规则。
  • 完成散点图的表达式，使点的大小按 lift 进行缩放。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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()
编辑并运行代码