Leverage e conviction

Analisi del carrello in Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Costruire su metriche più semplici

$$Support(X) = \frac{Frequency(X)}{N}$$

$$Support(X \rightarrow Y) = \frac{Frequency(X \& Y)}{N}$$

$$Confidence(X \rightarrow Y) = \frac{Support(X \rightarrow Y)} {Support(X)}$$

$$Lift(X \rightarrow Y) = \frac{Support(X \rightarrow Y)}{Support(X) Support(Y)}$$

La metrica leverage

Anche la leverage si basa sul supporto.

$$Leverage(X \rightarrow Y) = $$ $$Support(X \& Y) - Support(X) Support(Y)$$

Simile al lift, ma più facile da interpretare.
La leverage è tra -1 e +1.
- Il lift va da 0 a infinito.

Calcolare la leverage

# Calcola il supporto per Twilight e Harry Potter
supportTP = np.logical_and(books['Twilight'], books['Potter']).mean()

# Calcola il supporto per Twilight
supportT = books['Twilight'].mean()

# Calcola il supporto per Harry Potter
supportP = books['Potter'].mean()

# Calcola e stampa la leverage
leverage = supportTP - supportP * supportT
print(leverage)

0.018

La metrica conviction

Anche la conviction usa il supporto.
Più complessa e meno intuitiva della leverage.

$$Conviction(X \rightarrow Y) = $$ $$\frac{Support(X) Support(\bar{Y})} {Support(X \& \bar{{Y}})}$$

Interpretare la conviction

Una miniatura di Twilight.

Una miniatura di Harry Potter e la pietra filosofale.

Una miniatura di Twilight.

Una miniatura di Hunger Games.

¹ Immagini tratte da goodreads.com.

Calcolare la conviction

# Calcola il supporto per Twilight e Harry Potter e Twilight
supportTP = np.logical_and(books['Twilight'], books['Potter']).mean()
supportT = books['Twilight'].mean()

# Calcola il supporto per NON Harry Potter
supportnP = 1.0 - books['Potter'].mean()

# Calcola il supporto per Twilight e NON Harry Potter
supportTnP = supportT - supportPT

# Calcola la conviction
conviction = supportT*supportnP / supportTnP
print(conviction)

1.16

Vamos praticar!

Analisi del carrello in Python