Gelişmiş Apriori sonuç budama

Python ile Market Basket Analysis

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Uygulamalar

Çapraz Tanıtım

Bu görsel çapraz tanıtıma bir örnek gösteriyor.

Toplulaştırma

Bu görsel toplulaştırmaya bir örnek gösteriyor.

Apriori algoritması

Listelerin Listesi

Bu görsel işlemlerdeki ürünlerin listelerin listesi örneğini gösteriyor.

One-Hot Encoding

Bu görsel işlemlerin one-hot encoding gösterimini içeriyor.

Apriori Algoritması

Bu görsel, 4 öğeden oluşan genel bir kümeye Apriori algoritmasının uygulanışını gösteriyor.

Apriori algoritması

import pandas as pd
import numpy as np
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori

itemsets = np.load('itemsets.npy')
print(itemsets)

[['EASTER CRAFT 4 CHICKS'],
['CERAMIC CAKE DESIGN SPOTTED MUG', 'CHARLOTTE BAG APPLES DESIGN'],
['SET 12 COLOUR PENCILS DOLLY GIRL'],
...
['JUMBO BAG RED RETROSPOT', ... 'LIPSTICK PEN FUSCHIA']]

Apriori algoritması

# One-hot encode data
encoder = TransactionEncoder()
onehot = encoder.fit(itemsets).transform(itemsets)
onehot = pd.DataFrame(onehot, columns = encoder.columns_)

# Apply Apriori algorithm and print
frequent_itemsets = apriori(onehot, use_colnames=True, min_support=0.001)
print(frequent_itemsets)

      support                                           itemsets
0    0.001504                               ( DOLLY GIRL BEAKER)
1    0.002256                         ( RED SPOT GIFT BAG LARGE)
...
428  0.001504  (BIRTHDAY CARD, RETRO SPOT, JUMBO BAG RED RETR...

Apriori algoritması sonuçları

print(len(data.columns))

print(len(frequent_itemsets))

rules = association_rules(frequent_itemsets)

Birliktelik kuralları

print(rules['consequents'])

0                   (DOTCOM POSTAGE)
                        ... 
9                 (HERB MARKER THYME)
                        ...
234        (JUMBO BAG RED RETROSPOT)
235         (WOODLAND CHARLOTTE BAG)
236    (RED RETROSPOT CHARLOTTE BAG)
237       (STRAWBERRY CHARLOTTE BAG)
238      (CHARLOTTE BAG SUKI DESIGN)
Name: consequents, Length: 239, dtype: object

Birden çok metrikle filtreleme

targeted_rules = rules[rules['consequents'] == {'HERB MARKER THYME'}].copy()

filtered_rules = targeted_rules[(targeted_rules['antecedent support'] > 0.01) &
                        (targeted_rules['support'] > 0.009) &
                        (targeted_rules['confidence'] > 0.85) &
                        (targeted_rules['lift'] > 1.00)]

print(filtered_rules['antecedents'])

9        (HERB MARKER BASIL)
25     (HERB MARKER PARSLEY)
27    (HERB MARKER ROSEMARY)
Name: antecedents, dtype: object

Ürünleri gruplama

Görselde kutuların çantalarla, tabelaların mumlarla gruplandığı bir mağaza planı gösteriliyor.

Görselde kutuların mumlarla, tabelaların çantalarla gruplandığı bir mağaza planı gösteriliyor.

Görselde kutuların tabelalarla, mumların çantalarla gruplandığı bir mağaza planı gösteriliyor.

Toplulaştırma ve ayrışma

# Load aggregated data
aggregated = pd.read_csv('datasets/online_retail_aggregated.csv')

# Compute frequent itemsets
onehot = encoder.fit(aggregated).transform(aggregated)
data = pd.DataFrame(onehot, columns = encoder.columns_)
frequent_itemsets = apriori(data, use_colnames=True)

# Compute standard metrics
rules = association_rules(frequent_itemsets)

# Compute Zhang's rule
rules['zhang'] = zhangs_rule(rules)

Zhang kuralı

# Print rules that indicate dissociation
print(rules[rules['zhang'] < 0][['antecedents','consequents']])

  antecedents consequents
2       (bag)    (candle)
3    (candle)       (bag)
4      (sign)       (bag)
5       (bag)      (sign)

Bir mağaza planı seçme

Görselde kutuların çantalarla, tabelaların mumlarla gruplandığı bir mağaza planı gösteriliyor.

Hadi pratik yapalım!

Python ile Market Basket Analysis