Этот блог призван подробно объяснить концепцию априорного алгоритма с примерами и проектом!
В этой статье есть предварительное условие темы «Изучение правил ассоциации». Если вы не знаете об этом, вы можете перейти по ссылке, указанной ниже:
Алгоритм априори — очень известный алгоритм обучения правилам ассоциации, с помощью которого любой бизнес, основанный на продуктах, может добиться успеха.
Этого достаточно для алгоритма, давайте его обсудим.
Априорный алгоритм!
Этот алгоритм основан на 3 различных сущностях, которые при объединении дают понимание, которое используется в бизнесе.
У этого алгоритма есть некоторые предварительные знания, с помощью которых он извлекает информацию для использования в бизнесе, поэтому этот алгоритм называется априорным.
Сущности, от которых зависит этот алгоритм,
- Поддерживать
- Уверенность
- Поднимать
Чтобы подробно понять все вышеупомянутые объекты, давайте возьмем реальный пример продуктового магазина, помимо данных, собранных этим продуктовым магазином, мы применим все вышеупомянутые объекты (Априорный алгоритм) и затем получим идеи.
Сценарий. Продуктовый магазин собрал данные о продажах за месяц. Допустим, в данных содержится в общей сложности 1 лакх (0,1 миллиона) транзакций. Теперь магазин хочет идентифицировать товары таким образом, что, скажем, есть какой-то товар «а», который является другим товаром «б», который, скорее всего, покупается большинством покупателей с товаром «а». Другими словами, если покупатель покупает товар «а», то какой другой товар «б» был куплен тем же покупателем в одной транзакции. По логике, эту операцию нужно делать не со всеми товарами из продуктового магазина, эту операцию нужно делать с товарами, которые реально продаются ≤ некоторого порога в день. Например, может быть шанс, что кто-то купил 2 предмета только один раз в месяц, поэтому этот предмет не был продан много, поэтому это будет считаться бесполезной транзакцией. Дальнейшие решения, основанные на этой логике, обсуждаются в объектах, описанных ниже.
Поддерживать
Это простая сущность, которая показывает, насколько что-то популярно в целом. Что касается бизнеса, сколько раз товар продается за определенный промежуток времени.
Его формула:
«Количество транзакций, в которых продается товар «а» / Общее количество транзакций»
Основываясь на описанном выше сценарии, скажем, предмет «а» продается 500 раз за весь период времени, в течение которого собираются данные.
Следовательно, его поддержка составит = 500/1 лакх = 0,005.
Уверенность
Это сущность, которая включает в себя другой элемент «b» с элементом «a». Эта сущность означает силу взаимодействия пункта «б» с пунктом «а».
Его формула:
«Количество транзакций, в которых продаются предметы «a» и «b» / Общее количество транзакций, в которых продается предмет «a»
Основываясь на сценарии, объясненном выше, скажем, общее количество транзакций, в которых продаются товары «а» и «б», равно 300. Общее количество транзакций, в которых продается товар «а», равно 500 (уже упоминалось в ' раздел «сущность поддержки» выше).
Следовательно, его достоверность будет = 300/500 = 0,6.
Поднимать
Эта сущность является наиболее важной, она дает фактическое понимание (как? Объясняется ниже)
Его формула:
Уверенность в пунктах «а» и «б» / Поддержка пункта «а»
Исходя из вышеприведенных расчетов, подъемная сила будет = 0,6/0,005 = 120. Это огромная подъемная сила, в общем, такого огромного значения подъемной силы вы не увидите, это всего лишь гипотетический пример, поэтому такая величина там.
Объяснение аналитики по лифту.Допустим, элемент "а" — "Паста", а элемент "б" — "белый соус" или "красный соус". Из данных продуктового магазина мы узнаем поддержку товара «а», то есть «Паста», и мы узнаем значение доверия для людей, которые покупают любой из соусов, сколько из них на самом деле покупают макароны с ним. . Поэтому в целом, если мы рекомендуем только макароны, они проданы, это хорошо, но, если мы рекомендуем макароны человеку, покупающему соус, то насколько наша рекомендация будет полезна для нас (очевидно, у продавца есть совершить комбо-сделку так, чтобы ее цена была выгодной), — об этом рассказал субъект «лифт». Чем выше значение подъема, тем больше шансов, что объединение предметов будет правильным и выгодным.
Здесь предварительное знание процента продажи одного предмета и с другим предметом (ами) присутствует в алгоритме, поэтому он известен как априорный алгоритм.
Важная заметка:
Этот алгоритм не ограничивается простым нахождением двух лучших элементов, его можно использовать для любого количества элементов, группы элементов будут автоматически сформированы алгоритмом, а затем будет предоставлен результат.
Этого алгоритма нет в модуле «sklearn» в python, нужно установить библиотеку/модуль, известную как «apyori» в python, внутри этой библиотеки реализован алгоритм «apriori», готовый к использованию.
Получив информацию от этого алгоритма, многие компании уже получили выгоду, и вы также можете использовать его возможности любым удобным для вас способом.
Ссылка на проект
Если вы заинтересованы в проверке реализации алгоритма в проекте, ознакомьтесь с приведенной ниже ссылкой на мой репозиторий GitHub, содержащий код проекта.
Я надеюсь, что моя статья объясняет все и все, что связано с темой, со всеми подробными концепциями и пояснениями. Большое спасибо за то, что потратили свое время на чтение моего блога и пополнили свои знания. Если вам нравится моя работа, прошу вас аплодировать этому блогу и следить за мной на Medium, GitHub, и LinkedIn за еще более удивительный контент о нескольких технологиях и их интеграции!
Кроме того, подпишитесь на меня на Medium, чтобы получать обновления всех моих блогов!
