“Jika ini maka itu” dengan apriori

Analisis Keranjang Belanja di R

Christopher Bruffaerts

Statistician

Rekap aturan yang diekstrak (1)

TID	Transaksi
1	{Bread, Butter, Cheese, Wine}
2	{Bread, Butter, Wine}
3	{Bread, Butter}
4	{Butter, Cheese, Wine}
5	{Butter, Cheese}
6	{Cheese, Wine}
7	{Butter, Wine}

Terapkan apriori pada transaksi:

rules = apriori(data_trx,
                    parameter = list(
                      supp = 3/7, conf = 0.6,
                      minlen = 2),
                    control = list(verbose=F)
)

Rekap aturan yang diekstrak (2)

Buat dataframe dari aturan yang diekstrak

df_rules = as(rules, "data.frame")
df_rules

                 rules   support confidence      lift count
1  {Bread} => {Butter} 0.4285714  1.0000000 1.1666667     3
2   {Cheese} => {Wine} 0.4285714  0.7500000 1.0500000     3
3   {Wine} => {Cheese} 0.4285714  0.6000000 1.0500000     3
4 {Cheese} => {Butter} 0.4285714  0.7500000 0.8750000     3
5   {Wine} => {Butter} 0.5714286  0.8000000 0.9333333     4
6   {Butter} => {Wine} 0.5714286  0.6666667 0.9333333     4

Kemunculan itemset sering

Itemset sering untuk Cheese dan Wine

supp_cheese_wine = 
    apriori(trans, 
        parameter = list(
          target = "frequent itemsets",
          supp = 3/7),
        appearance = list(
          items = c("Cheese",  "Wine"))
)

inspect(supp_cheese_wine)

    items         support   count
[1] {Cheese}      0.5714286 4    
[2] {Wine}        0.7142857 5    
[3] {Cheese,Wine} 0.4285714 3

Kemunculan aturan yang diekstrak

Aturan spesifik untuk Cheese

rules_cheese_rhs = apriori(data = trans, 
                   parameter = list(supp=3/7,conf=0.2, minlen=2),
                   appearance = list(rhs="Cheese"),
                   control = list (verbose=F))

inspect(rules_cheese_rhs)

    lhs         rhs      support   confidence lift  count
[1] {Wine}   => {Cheese} 0.4285714 0.6        1.050 3    
[2] {Butter} => {Cheese} 0.4285714 0.5        0.875 3

Aturan redundan

Apa itu aturan redundan?

Sebuah aturan redundan jika ada aturan yang lebih umum dengan confidence sama atau lebih tinggi.

Super-rule:

Aturan lebih umum jika RHS sama tetapi satu atau lebih item di LHS dihapus.

Contoh:

Super-rule dari {A} $\rightarrow$ {C}:

{A, B} $\rightarrow$ {C}
{A, B, D} $\rightarrow$ {C}

Aturan non-redundan didefinisikan sebagai:

semua aturan lain adalah super-rule dari aturan tersebut
semua aturan lain punya confidence lebih rendah

Redundansi aturan (1)

Kumpulan aturan yang dihasilkan

rules = apriori(trans,control = list(verbose=F),
                parameter = list(supp=0.05, conf=0.5, minlen=2),
                appearance = list(rhs="Bread", default = "lhs"))

Kumpulan aturan yang dipangkas (non-redundan)

redundant_rules = is.redundant(rules)
non_redundant_rules = rules[!redundant_rules]

Redundansi aturan (2)

Membandingkan aturan diekstrak vs non-redundan

inspect(rules)

    lhs                     rhs     support   confidence lift     count
[1] {Butter}             => {Bread} 0.4285714 0.5        1.166667 3    
[2] {Butter,Wine}        => {Bread} 0.2857143 0.5        1.166667 2    
[3] {Butter,Cheese,Wine} => {Bread} 0.1428571 0.5        1.166667 1

inspect(non_redundant_rules)

    lhs         rhs     support   confidence lift     count
[1] {Butter} => {Bread} 0.4285714 0.5        1.166667 3

Ayo ikuti aturannya!

Analisis Keranjang Belanja di R