Retour aux projets
03 / Données et systèmes de décisionExploration interactive

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.

ORIGINEProjet pédagogique de règles d’association
CETTE VERSIONExploration du projet · données synthétiques
SUJETSPython · pandas · Règles d’association
LABO PANIER / DONNÉES SYNTHÉTIQUES

Commencez par un panier.

Choisissez des articles pour voir comment les associations évoluent.

Votre panier

12 transactions fictives · 6 produits

ASSOCIATIONS OBSERVÉES

Lait

5/6 paniers
Support41,7%
Confiance83,3%
Lift1,43×

Pain

3/6 paniers
Support25,0%
Confiance50,0%
Lift0,75×

Pommes

1/6 paniers
Support8,3%
Confiance16,7%
Lift0,67×

Tri par lift. Un lift > 1 indique une co-occurrence plus fréquente qu’attendu sous indépendance ; il ne démontre pas une causalité.

Support

Paniers contenant la combinaison ÷ tous les paniers.

Confiance

Paniers contenant la combinaison ÷ paniers contenant votre sélection.

Lift

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.

01

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.

02

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.

01Transactions
02Panier sélectionné
03Comptages exacts
04Règles et métriques
03

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.

04

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.

05

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.

06

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.

À PROPOS DE CETTE VERSION

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.

Projet suivant / 01

Apprendre à un taxi à trouver son chemin.

PRENONS CONTACT

Une idéeen tête ?

Développement logiciel, IA appliquée ou simplement une discussion sur les projets : écrivez-moi.