Wykresy punktowe

Analiza koszyka zakupowego w Pythonie

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Wprowadzenie do wykresów punktowych

Przykładowy wykres punktowy.

Wprowadzenie do wykresów punktowych

Wykres punktowy przedstawia pary wartości.
- Wsparcie poprzednika i następnika.
- Ufność i współczynnik lift.
Brak założonego modelu.
- Linia trendu nie jest wymagana.
Może stanowić punkt wyjścia do przycinania.
- Identyfikacja wzorców w danych i regułach.

Wsparcie a ufność

Wykres punktowy przedstawiający wartości wsparcia i ufności reguł wygenerowanych dla zbioru danych MovieLens.

Wsparcie a ufność

Wykres punktowy przedstawiający wartości wsparcia i ufności reguł wygenerowanych dla zbioru danych MovieLens.

¹ Bayardo Jr., R.J. and Agrawal, R. (1999). Mining the Most Interesting Rules. In Proceedings of the Fifth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 145-154).

Tworzenie wykresu punktowego

import pandas as pd
import seaborn as sns
from mlxtend.frequent_patterns import association_rules, apriori

# Load one-hot encoded MovieLens data
onehot = pd.read_csv('datasets/movies_onehot.csv')

# Generate frequent itemsets using Apriori
frequent_itemsets = apriori(onehot, min_support=0.01, use_colnames=True, max_len=2)

# Generate association rules
rules = association_rules(frequent_itemsets, metric='support', min_threshold=0.0)

sns.scatterplot(x="antecedent support", y="consequent support", data=rules)

Tworzenie wykresu punktowego

Wykres punktowy przedstawiający wsparcie poprzednika względem wsparcia następnika.

Dodawanie trzeciej metryki

sns.scatterplot(x="antecedent support", 
                y="consequent support", 
                size="lift", 
                data=rules)

Dodawanie trzeciej metryki

Wykres punktowy przedstawiający zależność między wsparciem poprzednika, wsparciem następnika i współczynnikiem lift.

Co można odczytać z wykresów punktowych?

Identyfikacja naturalnych progów w danych.
- Niemożliwa przy użyciu map ciepła lub innych wizualizacji.
Wizualizacja całego zbioru danych.
- Bez ograniczeń co do liczby reguł.
Wykorzystanie wyników do przycinania.
- Naturalne progi i wzorce jako podstawa przycinania.

Czas na ćwiczenia!

Analiza koszyka zakupowego w Pythonie