Visualiser le support des itemsets

Une jeune entreprise de diffusion de contenu vous a sollicité pour des services-conseils. Pour garder de faibles frais de licence, elle souhaite constituer une petite bibliothèque de films qui plaisent tous au même public. Même si sa sélection sera plus restreinte que celle des grands joueurs du secteur, elle pourra offrir un abonnement à faible coût.

Vous décidez d'utiliser les données MovieLens et une carte thermique pour ce projet. Une carte thermique simple basée sur le support vous permettra de repérer les titres qui présentent un fort support avec d'autres titres. Les données en encodage one-hot sont disponibles dans le DataFrame onehot. De plus, pandas est accessible sous pd, seaborn sous sns, et apriori() ainsi que association_rules() ont déjà été importées.

Cette activité fait partie du cours

Analyse des paniers d'achat en Python

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Compute frequent itemsets using a minimum support of 0.07
frequent_itemsets = apriori(onehot, min_support = ____, 
                            use_colnames = True, max_len = 2)

# Compute the association rules
rules = association_rules(____, metric = 'support', 
                          min_threshold = 0.0)

Modifier et exécuter le code

Cette activité fait partie du cours

Analyse des paniers d'achat en Python

SkillTag.level.intermediateSkillTag.label

4.9+

Commencer le cours gratuitement

Dans ce chapitre, vous verrez les bases de l'analyse des paniers d'achat : règles d'association, mesures et élagage. Vous appliquerez ensuite ces concepts pour aider une petite épicerie à améliorer ses efforts de promotion et l'emplacement de ses produits.

Exercise 1: Qu'est-ce que l'analyse du panier de magasinage?Exercise 2: Les bases de l'analyse de paniers d'achat Exercise 3: Vente croisée de produits Exercise 4: Repérer les règles d'association Exercise 5: Antécédents et conséquents multiples Exercise 6: Préparer les données pour l'analyse des paniers d'achat Exercise 7: Générer des règles d'association Exercise 8: La mesure la plus simple Exercise 9: Encodage one-hot des données de transactions Exercise 10: Calculer la mesure de soutien (support)

Les règles d'association indiquent que deux articles ou plus sont liés. Les mesures permettent de quantifier l'utilité de ces relations. Dans ce chapitre, vous appliquerez six mesures pour évaluer des règles d'association : approvisionnement, confiance, lift, conviction, levier et la mesure de Zhang. Vous utiliserez ensuite des règles d'association et des mesures pour aider une bibliothèque et un vendeur de livres numériques.

Exercise 1: Confiance et rapport d'élévation Exercise 2: Recommander des livres avec l'appui Exercise 3: Affiner le support avec la confiance Exercise 4: Affiner davantage avec le lift Exercise 5: Leverage et conviction Exercise 6: Portée (lift) versus levée (leverage)Exercise 7: Calculer la conviction Exercise 8: Calculer la conviction avec une fonction Exercise 9: Promouvoir des livres numériques avec conviction Exercise 10: Association et dissociation Exercise 11: Calcul de l'association et de la dissociation Exercise 12: Définir la mesure de Zhang Exercise 13: Application de la métrique de Zhang Exercise 14: Règles avancées Exercise 15: Filtrer avec le support et la conviction Exercise 16: Utiliser un filtrage multi-métriques pour la promotion croisée de livres

Le défi fondamental de l'analyse des paniers d'achat consiste à traduire une grande quantité de décisions de clients en un petit nombre de règles utiles. Ce processus commence généralement par l'algorithme Apriori et fait appel à d'autres stratégies, comme l'élagage et l'agrégation. Dans ce chapitre, vous apprendrez à utiliser ces méthodes et les appliquerez dans des exercices où vous aiderez un détaillant à choisir l'aménagement d'un magasin physique et à réaliser des promotions croisées de produits.

Exercise 1: Agrégation Exercise 2: Effectuer une agrégation Exercise 3: Définir une fonction d'agrégation Exercise 4: L'algorithme Apriori Exercise 5: Élagage et Apriori Exercise 6: Repérer les itemsets fréquents avec Apriori Exercise 7: Choisir un seuil de support Exercise 8: Élagage de base des résultats d'Apriori Exercise 9: Générer des règles d'association Exercise 10: Élagage avec le lift Exercise 11: Élagage selon la confiance Exercise 12: Élagage avancé des résultats d'Apriori Exercise 13: Agrégation et filtrage Exercise 14: Application de la règle de Zhang Exercise 15: Filtrage avancé avec plusieurs mesures

Dans ce dernier chapitre, vous verrez comment les visualisations servent à orienter l'élagage et à résumer les résultats finaux, qui prennent généralement la forme d'ensembles d'articles ou de règles. Vous maîtriserez les trois visualisations les plus utiles — cartes thermiques, nuages de points et tracés à coordonnées parallèles — et vous les appliquerez pour aider un service de diffusion de films en continu.

Exercise 1: Cartes thermiques Exercise 2: Visualiser le support des itemsets

Exercice en cours

Exercise 3: Cartes thermiques avec le lift Exercise 4: Interpréter les cartes thermiques Exercise 5: Nuages de points Exercise 6: Élagage avec des nuages de points Exercise 7: Optimalité de la frontière support-confiance Exercise 8: Diagramme à coordonnées parallèles Exercise 9: Utiliser des coordonnées parallèles pour visualiser des règles Exercise 10: Affiner un graphique en coordonnées parallèles Exercise 11: Félicitations !