Que mettre dans le même panier ?
Deux articles se retrouvent dans le même panier. Une association utile ou une simple fréquence élevée ? Explorez la différence sur des données transparentes.
Commencez par un panier.
Choisissez des articles pour voir comment les associations évoluent.
12 transactions fictives · 6 produits
Lait
5/6 paniersPain
3/6 paniersPommes
1/6 paniersTri par lift. Un lift > 1 indique une co-occurrence plus fréquente qu’attendu sous indépendance ; il ne démontre pas une causalité.
Paniers contenant la combinaison ÷ tous les paniers.
Paniers contenant la combinaison ÷ paniers contenant votre sélection.
Confiance ÷ fréquence globale de l’article suggéré.
Démonstration de référence créée pour le portfolio. Toutes les métriques sont calculées à partir des 12 transactions fictives ci-dessus. Le moteur du projet original reste à corriger et à intégrer.
Le problème
Les articles achetés ensemble peuvent décrire les comportements d’achat. Mais un article fréquent apparaîtra avec beaucoup d’autres sans association forte. Support, confiance et lift répondent à des questions différentes ; chaque mesure exige un dénominateur explicite et assez de données pour être interprétée.
Fonctionnement
La démonstration utilise 12 transactions fictives et 6 produits. Votre sélection forme l’antécédent. Pour chaque autre article, le navigateur compte les paniers contenant la sélection, l’article et leur combinaison, puis calcule support, confiance et lift. Les résultats sont triés par lift. Le jeu de données complet est consultable.
Implémentation et attribution
Le calculateur et ses données synthétiques ont été créés pour ce portfolio. Il énumère directement les conséquences à un article plutôt que d’exécuter le moteur de fouille original. Le code de génération de règles du projet n’a pas été fourni et nécessite encore la correction signalée dans le brief.
Choix et compromis
Le comptage exact est transparent et convient à cette petite démonstration. Il ne constitue pas un service de recommandation en production. Un lift peut sembler élevé avec peu d’observations ; une association ne prouve pas que recommander un article change le comportement. L’interface affiche donc aussi les effectifs.
Évaluation et prochaines étapes
Le calculateur de référence est vérifié sur des cas comptés à la main et sur des paniers vides ou absents. Avant de présenter le projet original comme terminé : corriger et tester la génération de règles, documenter la provenance et les effectifs des vraies données, choisir des seuils de support et de confiance et étudier la stabilité et l’utilité des règles.
Sources et reproduction
Sélectionnez Café, examinez l’association avec Lait et vérifiez les valeurs à partir des 12 transactions visibles. Toutes les métriques sont calculées localement sur ce jeu fictif. Les données et le dépôt d’origine restent à connecter. Aucune donnée client réelle ni retombée commerciale n’est revendiquée.
Les notebooks, modèles entraînés et résultats d’évaluation d’origine n’accompagnaient pas le brief. Cette page distingue une exploration fonctionnelle dans le navigateur des résultats restant à intégrer.
Apprendre à un taxi à trouver son chemin.
Une idéeen tête ?
Développement logiciel, IA appliquée ou simplement une discussion sur les projets : écrivez-moi.