Calculer la conviction avec une fonction

Après la réussite de son projet pilote, la fondatrice de la start-up d’ebooks décide de vous embaucher pour un projet bien plus ambitieux. Elle vous demande si vous pouvez calculer la conviction pour chaque paire de livres du jeu de données goodreads-10k, afin de s’en servir pour rapprocher certains livres sur le site.

Vous acceptez, mais vous réalisez qu’il vous faut une méthode plus efficace pour calculer la conviction, car vous devrez la calculer de nombreuses fois. Vous décidez donc d’écrire une fonction qui l’effectue. Elle prendra en entrée deux colonnes d’un DataFrame pandas, un antécédent et un conséquent, et retournera la métrique de conviction. Notez que pandas est disponible sous pd et numpy sous np.

Cet exercice fait partie du cours

Analyse des paniers d’achat en Python

Afficher le cours

Instructions

Calculez le support de l’antécédent et affectez-le à supportA.
Calculez le support de NON conséquent.
Calculez le support de l’antécédent et NON conséquent.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

def conviction(antecedent, consequent):
	# Compute support for antecedent AND consequent
	supportAC = np.logical_and(antecedent, consequent).mean()

	# Compute support for antecedent
	supportA = ____.____()

	# Compute support for NOT consequent
	supportnC = 1.0 - ____.____()

	# Compute support for antecedent and NOT consequent
	supportAnC = ____ - supportAC

    # Return conviction
	return supportA * supportnC / supportAnC

Modifier et exécuter le code

Cet exercice fait partie du cours

Analyse des paniers d’achat en Python

IntermédiaireNiveau de compétence

4.9+

Commencer le cours gratuitement

Dans ce chapitre, vous découvrirez les bases de l’Analyse des paniers d’achat : règles d’association, métriques et élagage. Vous appliquerez ensuite ces concepts pour aider une petite épicerie à améliorer ses actions promotionnelles et l’implantation de ses produits.

Exercise 1: Qu’est-ce que l’analyse de panier ?Exercise 2: Les bases de l'analyse du panier d'achat Exercise 3: Vente croisée de produits Exercise 4: Identifier des règles d’association Exercise 5: Antécédents et conséquents multiples Exercise 6: Préparer les données pour l’analyse des paniers Exercise 7: Générer des règles d’association Exercise 8: La métrique la plus simple Exercise 9: One-hot encoder des données de transaction Exercise 10: Calculer la métrique de support

Les règles d’association indiquent que deux éléments ou plus sont liés. Les métriques nous permettent de quantifier l’intérêt de ces relations. Dans ce chapitre, vous appliquerez six métriques pour évaluer des règles d’association : support, confiance, lift, conviction, levier et la métrique de Zhang. Vous utiliserez ensuite les règles d’association et ces métriques pour aider une bibliothèque et un vendeur d’e-books.

Exercise 1: Confiance et lift Exercise 2: Recommander des livres avec le support Exercise 3: Affiner le support avec la confiance Exercise 4: Affiner l’analyse avec le lift Exercise 5: Leverage et conviction Exercise 6: Lift versus leverage Exercise 7: Calculer la conviction Exercise 8: Calculer la conviction avec une fonction

Exercice en cours

Exercise 9: Promouvoir des ebooks avec la conviction Exercise 10: Association et dissociation Exercise 11: Calculer l’association et la dissociation Exercise 12: Définir la métrique de Zhang Exercise 13: Appliquer la mesure de Zhang Exercise 14: Règles avancées Exercise 15: Filtrer avec le support et la conviction Exercise 16: Utiliser un filtrage multi-métriques pour faire de la promotion croisée de livres

Le défi central de l’Analyse des paniers d’achat consiste à convertir un très grand nombre de décisions clients en un petit ensemble de règles utiles. Ce processus commence généralement par l’algorithme Apriori et s’appuie sur des stratégies complémentaires, 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’agencement d’un magasin physique et à mettre en place des ventes croisées de produits.

Exercise 1: Agrégation Exercise 2: Réaliser une agrégation Exercise 3: Définir une fonction d’agrégation Exercise 4: L’algorithme Apriori Exercise 5: Élagage et Apriori Exercise 6: Identifier des itemsets fréquents avec Apriori Exercise 7: Choisir un seuil de support Exercise 8: Pruning de base des résultats d’Apriori Exercise 9: Générer des règles d’association Exercise 10: Élagage avec le lift Exercise 11: Élagage par la confiance Exercise 12: Élagage avancé des résultats d’Apriori Exercise 13: Agrégation et filtrage Exercise 14: Appliquer la règle de Zhang Exercise 15: Filtrage avancé avec plusieurs métriques

Dans ce dernier chapitre, vous verrez comment les visualisations guident le processus d’élagage et synthétisent 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 graphiques en coordonnées parallèles — et vous les appliquerez pour aider un service de streaming de films.

Exercise 1: Cartes thermiques Exercise 2: Visualiser le support des itemsets Exercise 3: Cartes thermiques avec 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 en coordonnées parallèles Exercise 9: Utiliser des coordonnées parallèles pour visualiser des règles Exercise 10: Affiner un diagramme de coordonnées parallèles Exercise 11: Félicitations !