Что такое априорный алгоритм? Каковы некоторые примеры априорного алгоритма? Как работает априорный алгоритм? Как реализовать алгоритм Apriori в Python?
Что такое априорный алгоритм?
Алгоритм априори также известен как алгоритм априорных знаний, поскольку он использует часто появляющиеся элементы в свойствах набора данных. Полезно получить представление о рынке, если человек покупает продукт, какова вероятность того, что он может купить другой продукт?
Каковы некоторые примеры априорного алгоритма?
Чтобы понять эту концепцию, давайте возьмем пример,
Пример 1:
Рекомендация по фильму. Компания по производству фильмов провела анализ набора из 4 фильмов.
Они составили таблицу и проанализировали, какова вероятность того, что человек смотрел фильм 1, а также смотрел фильмы 2, 3 или 4. Чтобы решить эту проблему, в игру вступает Априорный алгоритм.
Так что мы не собираемся спрашивать людей вручную, может вам понравится этот фильм? Эта концепция известна как рекомендация фильмов. Мы проанализировали ее на различных платформах, таких как Youtube, Hotstar, Netflix и т. д.
Теперь возьмем другой пример,
Пример 2:
Оптимизация рыночной корзины. Чтобы оптимизировать рыночные продажи, мы можем порекомендовать продукты: если мы покупаем определенный продукт, какова вероятность того, что человек купит другой продукт.
Эта концепция оптимизации известна как оптимизация рыночной корзины.
Как работает априорный алгоритм?
Таким образом, априорный алгоритм состоит из 3 частей:
- Apriori-Support: мы можем определить «поддержку» в Apriori как количество пользователей или количество определенного элемента, деленное на общее количество пользователей или определенных элементов. Рассмотрев приведенные выше примеры, мы можем сформулировать эту формулу следующим образом:
Рекомендуемый фильм:
Оптимизация рыночной корзины:
Итак, есть набор из 100 человек, которые смотрели конкретное.
из этих 100 человек 10 человек смотрели фильм1.
Таким образом, поддержка составляет 10% по определению.
2. Априорная уверенность: мы можем определить «уверенность» в априори как количество людей, которые потребляют указанный предмет, которым также понравится другой предмет, деленное на количество пользователей указанного предмета.
Рекомендуемый фильм:
Оптимизация рыночной корзины:
Итак, есть набор из 100 человек, которые смотрели определенный фильм 1 и 2.
Люди в синем цвете смотрели фильм1, а люди в зеленом цвете смотрели фильм2.
Оба фильма посмотрели 7 человек. Следовательно, достоверность составляет 17,5%:
3. Apriori-Lift: мы можем определить «подъем» в Apriori как уверенность, деленную на поддержку.
Рекомендуемый фильм:
Оптимизация рыночной корзины:
Итак, основываясь на нашем примере выше, мы можем сформулировать нашу формулу «подъемной силы».
Подъем — это, по сути, улучшение прогноза.
Шаги, важные для выполнения Априорного алгоритма.
Шаг 1. Установите минимальную поддержку и доверие.
Шаг 2. Возьмите все подмножества в транзакциях с поддержкой, превышающей минимальную поддержку.
Шаг 3. Возьмите все правила этих подмножеств с более высокой достоверностью, чем минимальная достоверность.
Шаг 4.Отсортируйте правила по убыванию подъема.
Как реализовать алгоритм Apriori в Python?
Чтобы реализовать Априорный алгоритм, мы должны импортировать базу данных Market Basket Optimization для проведения анализа.
Шаг 1. Импортируйте библиотеки.
Шаг 2. Импортируйте набор данных.
Шаг 3.Выполните предварительную обработку данных.
Шаг 4.Теперь выполняем априорный алгоритм для набора данных. (ПРИМЕЧАНИЕ: импортируйте apyori.py с официального сайта)
Шаг 5. Визуализация результатов.
