Güven ve lift

Python ile Market Basket Analysis

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Destek yanıltıcı olduğunda

TID	İşlem
1	Kahve, Süt
2	Ekmek, Süt, Portakal
3	Ekmek, Süt
4	Ekmek, Süt, Şeker
5	Ekmek, Reçel, Süt
...	...

Süt ve ekmek sık birlikte alınır.
- Destek: {Milk} $\rightarrow$ {Bread}
Kural pazarlama için bilgilendirici değil.
- Süt ve ekmek zaten popüler ürünler.

Confidence metriği

support üzerine ek metriklerle iyileştirilebilir.
confidence eklemek tabloyu daha netleştirir.

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

Confidence metriğini yorumlama

Bu görsel bir marketten işlem listesini gösterir. İşlemlerden birinde reçel ve ekmek vardır.

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

Bu görsel bir marketten işlem listesini gösterir. İşlemlerden birinde reçel ve ekmek vardır.

$$Support(Milk) = 1.00$$

Confidence metriğini yorumlama

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

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

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

Lift metriği

Lift, öğeler arasındaki ilişkiyi değerlendirmek için başka bir metrik sağlar.
- Pay: X ve Y içeren işlemlerin oranı.
- Payda: X ve Y rastgele ve bağımsız atansaydı oluşacak oran.

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

Veriyi hazırlama

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_)

Confidence ve lift hesaplama

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

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

Veri kümesi: GoodBooks-10K.

Confidence ve lift hesaplama

# 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)

Hadi pratik yapalım!

Python ile Market Basket Analysis