Algoritmo Apriori: come funziona? In che modo i marchi possono utilizzare l'algoritmo Apriori?

Immagina di essere al supermercato e nella tua mente di avere gli oggetti che volevi comprare. Ma finisci per comprare molto di più di quanto dovresti. Questo si chiama acquisto impulsivo e i marchi utilizzano l' algoritmo apriori per sfruttare questo fenomeno. Fai clic per saperne di più se sei interessato a saperne di più sugli algoritmi della scienza dei dati.

Cos'è questo algoritmo? E come funziona? Troverai le risposte a queste domande in questo articolo. Daremo prima un'occhiata a cos'è questo algoritmo e poi a come funziona.

Cominciamo.

Cos'è l'algoritmo Apriori?

L'algoritmo apriori ti fornisce set di oggetti frequenti. La sua base è la proprietà apriori che possiamo spiegare nel modo seguente:

Supponiamo che un set di articoli di cui disponi abbia un valore di supporto inferiore al valore di supporto necessario. Quindi, anche i sottoinsiemi di questo set di elementi avrebbero un valore di supporto inferiore a quello richiesto. Quindi, non li includerai nel tuo calcolo e, di conseguenza, risparmierai molto spazio.

Il valore di supporto si riferisce al numero di volte in cui un determinato set di articoli appare nelle transazioni. L'algoritmo apriori è piuttosto popolare grazie alla sua applicazione nei sistemi di raccomandazione. In genere, applicherai questo algoritmo ai database transazionali, il che significa un database di transazioni. Esistono anche molte applicazioni nel mondo reale di questo algoritmo. Dovresti anche familiarizzare con Association Rule Mining per comprendere correttamente l'algoritmo apriori.

Leggi anche: Prerequisito per Data Science. Come cambia nel tempo?

Come funziona l'algoritmo Apriori?

L'algoritmo apriori genera regole di associazione utilizzando set di elementi frequenti. Il suo principio è semplice: anche il sottoinsieme di un set di elementi frequente sarebbe un set di elementi frequente. Un insieme di elementi che ha un valore di supporto maggiore di un valore di soglia è un insieme di elementi frequente. Considera i seguenti dati:

Nella prima iterazione, supponiamo che il valore di supporto sia due e crea gli insiemi di elementi con dimensione 1. Ora calcola i loro valori di supporto di conseguenza. Scarteremmo l'articolo che avrebbe un valore di supporto inferiore a quello minimo. In questo esempio, sarebbe l'elemento numero quattro.

C1 (Risultato della prima iterazione)

F1 (dopo aver scartato {4})

Nella seconda iterazione, manterremo due le dimensioni dei set di elementi e quindi calcoleremo i valori di supporto. Useremo tutte le combinazioni della tabella F1 in questa iterazione. Rimuoveremo tutti i set di elementi che avrebbero valori di supporto inferiori a due.

C2 (ha elementi presenti solo in F1)

F2 (dopo aver rimosso gli elementi con valori di supporto inferiori a 2)

Ora eseguiremo la potatura. In questo caso, divideremo gli itemset di C3 in sottoinsiemi e rimuoveremo quelli che hanno un valore di supporto inferiore a due.

C3 (Dopo aver eseguito la potatura)

Nella terza iterazione, scarteremo {1,2,5} e {1,2,3} poiché entrambi hanno {1,2}. Questo è l'impatto principale dell'algoritmo apriori.

F3 (Dopo aver scartato {1,2,5} e {1,2,3})

Nella quarta iterazione, useremo i set di F3 per creare C4. tuttavia, poiché il valore di supporto di C4 è inferiore a 2, non procederemmo e il set di elementi finale è F3.

C3

Abbiamo i seguenti set di elementi con F3:

Per I = {1,3,5}, i sottoinsiemi che abbiamo sono {5}, {3}, {1}, {3,5}, {1,5}, {1,3}

Per I = {2,3,5}, i sottoinsiemi che abbiamo sono {5}, {3}, {2}, {3,5}, {2,5}, {2,3}

Ora creeremo e applicheremo le regole all'item F3. A tal fine, assumiamo che il valore di confidenza minimo sia attualmente del 60%. Per i sottoinsiemi S di I, ecco la regola che otteniamo:

• S -> (I,S) (questo significa che S consiglia IS)
• Se support(I) / support(S) >= valore min_conf

Facciamo questo per il primo sottoinsieme che abbiamo, cioè {1,3,5}

Regola n.1: {1,3} -> ({1,3,5} – {1,3}) significa 1 e 3-> 5

Valore di confidenza = valore di supporto di (1,3,5) / valore di supporto di (1,3) = ⅔ = 66,66%

Poiché il risultato è superiore al 60%, selezioniamo la Regola n.1.

Regola n.2: {1,5} -> {(1,3,5) – {1,5}) questo significa 1 e 5 -> 3

Valore di confidenza = valore di supporto di (1,3,5) / valore di supporto di (1,5) = 2/2 = 100%

Poiché il risultato è superiore al 60%, selezioniamo la Regola n.2.

Regola n.3: {3} -> ({1,3,5} – {3}) significa 3 -> 1 e 5

Valore di confidenza = valore di supporto di (1,3,5) / valore di supporto di (3) = 2/4 = 50%

Poiché il risultato è inferiore al 60%, respingiamo la Regola n.3.

Guadagna corsi di scienza dei dati dalle migliori università del mondo. Unisciti ai nostri programmi Executive PG, Advanced Certificate Program o Masters per accelerare la tua carriera.

Con l'esempio sopra, puoi vedere come l'algoritmo Apriori crea e applica regole. Puoi seguire questi passaggi per il secondo set di elementi ({2,3,5}) che abbiamo. Provarlo ti darà sicuramente una grande esperienza nel capire quali regole accetta l'algoritmo e quali rifiuta. L'algoritmo rimane lo stesso in altri luoghi come l'algoritmo Apriori Python.

Conclusione

Dopo aver letto questo articolo, siamo sicuri che avresti abbastanza familiarità con questo algoritmo e la sua applicazione. Grazie al suo utilizzo nei sistemi di raccomandazione, è diventato anche abbastanza popolare.