कॉनफ़िडेंस और लिफ्ट

Python में Market Basket Analysis

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

जब सपोर्ट भ्रामक हो

TID	ट्रांज़ैक्शन
1	Coffee, Milk
2	Bread, Milk, Orange
3	Bread, Milk
4	Bread, Milk, Sugar
5	Bread, Jam, Milk
...	...

Milk और Bread अक्सर साथ खरीदे जाते हैं.
- सपोर्ट: {Milk} $\rightarrow$ {Bread}
मार्केटिंग के लिए यह नियम सूचनात्मक नहीं है.
- Milk और Bread दोनों लोकप्रिय आइटम हैं.

कॉनफ़िडेंस मेट्रिक

अतिरिक्त मेट्रिक्स से support पर सुधार किया जा सकता है.
confidence जोड़ने से तस्वीर पूरी होती है.

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

कॉनफ़िडेंस को समझना

यह चित्र एक ग्रोसरी स्टोर की ट्रांज़ैक्शन सूची दिखाता है. उनमें से एक में जाम और ब्रेड शामिल हैं.

$$Support(Milk\&Coffee) = 0.20$$

$$Support(Milk) = 1.00$$

कॉनफ़िडेंस को समझना

$$\frac{Support(Milk\&Coffee)}{Support(Milk)} = \frac{0.20}{1.00} = 0.20$$

$$\frac{Support(Milk\&Coffee)}{Support(Milk)} = \frac{0.20}{0.80} = 0.25$$

$$\frac{Support(Milk\&Coffee)}{Support(Milk)} = \frac{0.20}{0.20} = 1.00$$

लिफ्ट मेट्रिक

लिफ्ट आइटम्स के संबंध का आकलन करने के लिए एक और मेट्रिक है.
- अंश (Numerator): वे ट्रांज़ैक्शन का अनुपात जिनमें X और Y साथ हैं.
- हर (Denominator): वह अनुपात जब X और Y यादृच्छिक और स्वतंत्र हों.

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

डेटा तैयार करना

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_)

कॉनफ़िडेंस और लिफ्ट की गणना

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

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

डेटासेट: GoodBooks-10K.

कॉनफ़िडेंस और लिफ्ट की गणना

# 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)

अभ्यास करते हैं!

Python में Market Basket Analysis