Dźwignia i przekonanie

Analiza koszyka zakupowego w Pythonie

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Budowanie na prostszych metrykach

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

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

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

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

Analiza koszyka zakupowego w Pythonie

Metryka dźwigni

  • Dźwignia również opiera się na wsparciu.

 

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

  • Dźwignia jest podobna do liftu, ale łatwiejsza w interpretacji.
  • Dźwignia mieści się w przedziale od -1 do +1.
    • Lift przyjmuje wartości od 0 do nieskończoności.
Analiza koszyka zakupowego w Pythonie

Obliczanie dźwigni

# Compute support for Twilight and Harry Potter
supportTP = np.logical_and(books['Twilight'], books['Potter']).mean()

# Compute support for Twilight
supportT = books['Twilight'].mean()

# Compute support for Harry Potter
supportP = books['Potter'].mean()

# Compute and print leverage
leverage = supportTP - supportP * supportT
print(leverage)

0.018
Analiza koszyka zakupowego w Pythonie

Metryka przekonania

  1. Przekonanie również opiera się na wsparciu.
  2. Bardziej złożone i mniej intuicyjne niż dźwignia.

 

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

Analiza koszyka zakupowego w Pythonie

Interpretacja przekonania

Miniatura okładki książki Zmierzch.

Miniatura okładki książki Harry Potter i Kamień Filozoficzny.

Miniatura okładki książki Zmierzch.

Miniatura okładki książki Igrzyska Śmierci.

1 Obrazy pochodzą z goodreads.com.
Analiza koszyka zakupowego w Pythonie

Obliczanie przekonania

# Compute support for Twilight and Harry Potter and Twilight
supportTP = np.logical_and(books['Twilight'], books['Potter']).mean()
supportT = books['Twilight'].mean()

# Compute support for NOT Harry Potter
supportnP = 1.0 - books['Potter'].mean()

# Compute support for Twilight and NOT Harry Potter
supportTnP = supportT - supportPT

# Compute conviction
conviction = supportT*supportnP / supportTnP
print(conviction)

1.16
Analiza koszyka zakupowego w Pythonie

Czas na ćwiczenia!

Analiza koszyka zakupowego w Pythonie

Preparing Video For Download...