Ассоциативные правила в маркетинге и медицине

Август 12, 2022

Главная
Информатика
Ассоциативные правила в маркетинге и медицине

Содержание

2. “Data Mining – это процесс поддержки принятия решений, основанных на поиске в данных скрытых закономерностей. Это
3. Задачи интеллектуального анализа данных Задачи ИАД Описательные Ассоциативные правила Кластеризация Классификация Прогнозирование Предсказательные
4. Ассоциативные правила Цель задачи поиска ассоциативных правил заключается в обнаружении закономерностей между связанными событиями. Product placement
5. Цель метода ассоциативных правил
6. Confidence Достоверность (Confidence) показывает, как часто в записях базы данных, содержащих X, одновременно присутствует Y ,
7. Lift
8. Сравнение Confidence и Lift на примере Конфеты и Вода обладают наибольшей поддержкой, что обеспечивает высокую достоверность
9. Алгоритм Apriori 1-элементные наборы 2-элементные наборы Min support = 3% 3-элементные наборы
10. Уменьшение числа кандидатов Создание кандидатов – затратная операция, которая может привести к созданию множеств кандидатов, имеющих
11. Построение ассоциативных правил на Python
12. Построение ассоциативных правил на Python
13. Ассоциативные правила (вывод алгоритма Apriori)
14. Медицинский набор данных и маркёры атеросклероза ArmsIndex =1, if |ΔSBPa|=| SBPra - SBPla |≥15; else 0
15. Python: обработка категориальных признаков
16. Python: обработка числовых признаков
17. Пример набора правил Классификация правил: Полезные Тривиальные Неочевидные
18. Построение обобщенных правил
20. Скачать презентацию

Слайд 2

“Data Mining – это процесс поддержки принятия решений, основанных на поиске

в данных скрытых закономерностей. Это технология, которая предназначена для поиска в больших объемах данных неочевидных, но объективных и полезных на практике закономерностей”

Слайд 3

Задачи интеллектуального анализа данных
Задачи ИАД
Описательные
Ассоциативные правила
Кластеризация
Классификация
Прогнозирование
Предсказательные

Слайд 4

Ассоциативные правила
Цель задачи поиска ассоциативных правил заключается в обнаружении закономерностей между

связанными событиями.

Product placement in Tesco, UK.

Анализ рыночных корзин
Планирование закупки и размещения товаров
Проведение акций и скидок
Проведение рекламной кампании
Создание новых видов товаров (X со вкусом Y)
Сфера услуг
Объединение сервисов X и Y в один пакет услуг
Медицина
Анализ сочетания болезней и симптомов
Выявление коморбидных заболеваний

Слайд 5

Цель метода ассоциативных правил

Слайд 6

Confidence
Достоверность (Confidence) показывает, как часто в записях базы данных, содержащих X,

одновременно присутствует Y , т.е. оценивает вероятность того, что из наличия записи набора X следует наличие в ней набора Y

Слайд 7

Lift

Слайд 8

Сравнение Confidence и Lift на примере
Конфеты и Вода обладают наибольшей поддержкой,

что обеспечивает высокую достоверность правила {Конфеты => Вода}. Однако, Lift = 1 указывает на отсутствие значимых ассоциаций между этими товарами.
Правило {Конфеты => Косметика} обладает низкой достоверностью вследствие невысокой поддержки Косметики. Однако, если покупается косметика, то, вероятнее всего, с этим товаром покупают Конфеты, что подтверждает Lift = 2,0.

Слайд 9

Алгоритм Apriori
1-элементные наборы
2-элементные наборы
Min support = 3%

3-элементные

наборы

Слайд 10

Уменьшение числа кандидатов
Создание кандидатов – затратная операция, которая может привести к

созданию множеств кандидатов, имеющих большой объем.
• Принцип Apriori: Набор из k элементов будет часто встречаться, если все его подмножества из k-1 элемента тоже были часто встречающимися
• Свойство антимонотонности поддержки: с ростом размера набора элементов поддержка уменьшается или остается такой же

1-элементные наборы

2-элементные наборы

Min support = 3

3-элементные наборы

Слайд 11

Построение ассоциативных правил на Python

Слайд 12

Построение ассоциативных правил на Python

Слайд 13

Ассоциативные правила (вывод алгоритма Apriori)

Слайд 14

Медицинский набор данных и маркёры атеросклероза
ArmsIndex =1, if |ΔSBPa|=| SBPra -

SBPla |≥15; else 0

LegsIndex = 1, if |ΔSBPl|=| SBPrl - SBPll |≥15; else 0

ABI = 1, if SBPl(r)l/ SBPl(r)a≤0.9; else 0

ABI - Ankle-Brachial Index
SBP – Systolic Blood Pressure

Слайд 15

Python: обработка категориальных признаков

Слайд 16

Python: обработка числовых признаков

Слайд 17

Пример набора правил
Классификация правил:
Полезные
Тривиальные
Неочевидные

Слайд 18

Ассоциативные правила в маркетинге и медицине

Содержание

“Data Mining – это процесс поддержки принятия решений, основанных на поиске

Задачи интеллектуального анализа данныхЗадачи ИАДОписательныеАссоциативные правилаКластеризацияКлассификацияПрогнозированиеПредсказательные

Ассоциативные правилаЦель задачи поиска ассоциативных правил заключается в обнаружении закономерностей между

Цель метода ассоциативных правил

ConfidenceДостоверность (Confidence) показывает, как часто в записях базы данных, содержащих X,

Lift

Сравнение Confidence и Lift на примереКонфеты и Вода обладают наибольшей поддержкой,

Алгоритм Apriori 1-элементные наборы 2-элементные наборы Min support = 3% 3-элементные

Уменьшение числа кандидатовСоздание кандидатов – затратная операция, которая может привести к

Построение ассоциативных правил на Python

Построение ассоциативных правил на Python

Ассоциативные правила (вывод алгоритма Apriori)

Медицинский набор данных и маркёры атеросклерозаArmsIndex =1, if |ΔSBPa|=| SBPra -

Python: обработка категориальных признаков

Python: обработка числовых признаков

Пример набора правилКлассификация правил:ПолезныеТривиальныеНеочевидные

Построение обобщенных правил

Похожие презентации

Задачи интеллектуального анализа данных
Задачи ИАД
Описательные
Ассоциативные правила
Кластеризация
Классификация
Прогнозирование
Предсказательные

Ассоциативные правила
Цель задачи поиска ассоциативных правил заключается в обнаружении закономерностей между

Confidence
Достоверность (Confidence) показывает, как часто в записях базы данных, содержащих X,

Сравнение Confidence и Lift на примере
Конфеты и Вода обладают наибольшей поддержкой,

Алгоритм Apriori
1-элементные наборы
2-элементные наборы
Min support = 3%

3-элементные

Уменьшение числа кандидатов
Создание кандидатов – затратная операция, которая может привести к

Медицинский набор данных и маркёры атеросклероза
ArmsIndex =1, if |ΔSBPa|=| SBPra -

Пример набора правил
Классификация правил:
Полезные
Тривиальные
Неочевидные