Pewność i lift

Analiza koszyka zakupowego w Pythonie

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Kiedy wsparcie wprowadza w błąd

TID	Transakcja
1	Kawa, Mleko
2	Chleb, Mleko, Pomarańcza
3	Chleb, Mleko
4	Chleb, Mleko, Cukier
5	Chleb, Dżem, Mleko
...	...

Mleko i chleb są często kupowane razem.
- Wsparcie: {Mleko} $\rightarrow$ {Chleb}
Reguła nie jest użyteczna marketingowo.
- Mleko i chleb są popularnymi produktami.

Miara pewności

Można ulepszyć wsparcie dzięki dodatkowym miarom.
Dodanie pewności daje pełniejszy obraz.

$$\frac{Support(X \& Y)}{Support(X)}$$

Interpretacja miary pewności

Obraz przedstawia listę transakcji ze sklepu spożywczego. Jedna z transakcji zawiera dżem i chleb.

$$Support(Mleko\&Kawa) = 0.20$$

Obraz przedstawia listę transakcji ze sklepu spożywczego. Jedna z transakcji zawiera dżem i chleb.

$$Support(Mleko) = 1.00$$

Interpretacja miary pewności

$$\frac{Support(Mleko\&Kawa)}{Support(Mleko)} = \frac{0.20}{1.00} = 0.20$$

$$\frac{Support(Mleko\&Kawa)}{Support(Mleko)} = \frac{0.20}{0.80} = 0.25$$

$$\frac{Support(Mleko\&Kawa)}{Support(Mleko)} = \frac{0.20}{0.20} = 1.00$$

Miara lift

Lift to dodatkowa miara oceny związku między elementami.
- Licznik: Odsetek transakcji zawierających X i Y.
- Mianownik: Odsetek przy losowym i niezależnym przypisaniu X i Y.

$$\frac{Support(X \& Y)}{Support(X) Support(Y)}$$

Przygotowanie danych

from mlxtend.preprocessing import TransactionEncoder
import pandas as pd

# Split library strings into lists
libraries = data['Library'].apply(lambda t: t.split(','))

# Convert to list of lists
libraries = list(libraries)

# One-hot encode books
books = TransactionEncoder().fit(libraries).transform(libraries)

# Convert one-hot encoded data to DataFrame
books = pd.DataFrame(books, columns = encoder.columns_)

Obliczanie pewności i liftu

# Print first five items
print(books.head())

       Hunger           Gatsby
0      False            True
1      False            True
2      False            False
3      False            True
4      False            True

Zbiór danych: GoodBooks-10K.

Obliczanie pewności i liftu

# Computing support.
supportHG = np.logical_and(books['Hunger'],books['Gatsby']).mean()
supportH = books['Hunger'].mean()
supportG = books['Gatsby'].mean()

# Compute and print confidence and lift.
confidence = supportHG / supportH
lift = supportHG / (supportH * supportG)

# Print results.
print(supportG, confidence, lift)

(0.30, 0.16, 0.53)

Lass uns üben!

Analiza koszyka zakupowego w Pythonie