Nuages de points

Analyse des paniers d'achat en Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Introduction aux nuages de points

La figure montre un exemple de nuage de points.

Introduction aux nuages de points

Un nuage de points affiche des paires de valeurs.
- Appuis antécédent et conséquent.
- Confiance et lift.
Aucun modèle n'est supposé.
- Aucune ligne ou courbe de tendance requise.
Peut servir de point de départ pour l'élagage.
- Repérer des motifs dans les données et les règles.

Appui versus confiance

Nuage de points de l'appui par rapport à la confiance pour des règles générées sur l'ensemble MovieLens.

Appui versus confiance

Nuage de points de l'appui par rapport à la confiance pour des règles générées sur l'ensemble MovieLens.

¹ Bayardo Jr., R.J. et 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).

Générer un nuage de points

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)

Générer un nuage de points

Ce graphique montre un nuage de points de l'appui de l'antécédent par rapport à celui du conséquent.

Ajouter une troisième mesure

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

Ajouter une troisième mesure

Ce nuage de points illustre la relation entre l'appui de l'antécédent, l'appui du conséquent et le lift.

Que peut-on apprendre des nuages de points ?

Repérer des seuils naturels dans les données.
- Impossible avec des cartes thermiques ou d'autres visuels.
Visualiser l'ensemble des données.
- Pas limité à un petit nombre de règles.
Utiliser ces constats pour élaguer.
- S'appuyer sur seuils naturels et motifs pour élaguer.

Passons à la pratique !

Analyse des paniers d'achat en Python