Asocjacja i dysocjacja

Analiza koszyka zakupowego w Pythonie

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Dysocjacja w dopasowywaniu e-booków

Miniatura okładki książki Hobbit.

Miniatura okładki książki Wielki Gatsby.

Miniatura okładki książki Duma i uprzedzenie.

Miniatura okładki książki Buszujący w zbożu.

¹ Obrazy pochodzą z goodreads.com.

Wprowadzenie do metryki Zhanga

Wprowadzona przez Zhanga (2000)
- Przyjmuje wartości od -1 do +1
- Wartość +1 oznacza pełną asocjację
- Wartość -1 oznacza pełną dysocjację
Kompleksowa i interpretowalana
Oparta na wsparciu

¹ Zhang, T. (2000). Association Rules. Proceedings of the 4th Pacific-Asia conference, PADKK, pp.245-256. Kyoto, Japan.

Definicja metryki Zhanga

$$Zhang(A \rightarrow B) = $$ $$\frac{Confidence(A \rightarrow B) - Confidence(\bar{A} \rightarrow B)}{Max[Confidence(A \rightarrow B), Confidence(\bar{A} \rightarrow B)]}$$ $$Confidence = \frac{Support(A \& B)}{Support(A)}$$

Metryka Zhanga wyrażona przez wsparcie

$$Zhang(A \rightarrow B) = $$ $$\frac{Support(A \& B) - Support(A) Support(B)}{ Max[Support(AB) (1-Support(A)), Support(A)(Support(B)-Support(AB))]}$$

Obliczanie metryki Zhanga

# Compute the support of each book
supportH = hobbit.mean()
supportP = pride.mean()

# Compute the support of both books
supportHP = np.logical_and(hobbit, pride).mean()

Obliczanie metryki Zhanga

# Compute the numerator
num = supportHP - supportH*supportP

# Compute the denominator
denom = max(supportHP*(1-supportH), supportH*(supportP-supportHP))

# Compute Zhang's metric
zhang = num / denom
print(zhang)

0.08903

Czas na ćwiczenia!

Analiza koszyka zakupowego w Pythonie