Apriori
-
Apriori est un algorithme de détection des règles d’association: il trouve les combinaisons d’articles les plus fréquentes.
Il est principalement utilisé pour mettre en place des systèmes de recommendations — produits à ajouter au panier, relations à ajouter sur les réseaux sociaux, vidéos à regarder, etc.
Métriques
-
support: utilisé pour sélectionner les groupes apparaissant fréquemment
Support(A, B) = probabilité qu’une transaction contienne A et B -
confidence: utilisé pour générer les règles d’association
Confidence(A, B) = Support(A, B)/Support(A) = probabilité qu’une transaction contenant A contienne également B
Comment ça marche
1. Sélectionner les groupes apparaissant fréquemment
Principe apriori: tous les sous-ensembles d’un ensemble d’éléments fréquent doivent être fréquents.
-
Pour chaque items de la base de données, compter le nombre de fois qu’il occure (C1).
-
Supprimer les éléments qui n’apparaissent pas fréquemment (L1). Le seuil à partir duquel un élément est considéré comme fréquent est un hyperparamètre — ex: apparaît dans au moins 1% des commandes.
-
Avec les éléments qui restent, créer des combinaisons de 2 (C2) — les articles qui ont été achetés ensemble sont mis dans un groupe.
-
Supprimer les combinaisons qui apparaissent le moins fréquemment (L2).
-
Avec les combinaisons qui restent, créer des combinaisons de 3 (C3). Et répéter ce processus jusqu’à ce qu’il ne soit plus possible de générer des groupes plus gros.
2. Générer les règles d’association
Calculer la confiance antecedant/conséquent pour chaque groupe d’éléments apparaissant souvent ensemble.
Forme: “Antecedent → Consequence [support, confidence]”
Si une personne achète le produit A, il y a 66% de chances qu’elle achète le produit C. Si elle achète le produit C, il y a 100% de chances qu’elle achète le produit A.
Apriori.ipynb
Association Rules Generation from Frequent Itemsets