R语言市场篮子分析:Support、Confidence循环下如何可视化商品推荐的Lift值
R语言市场篮子分析lift值可视化方案
首先从已生成的规则结果中提取结构化的指标数据集,再根据使用场景选择对应可视化方案即可。
前置操作:提取全量规则指标
先加载依赖包,再把每个参数组对应的apriori规则对象中的lift、支持度、置信度、规则内容等信息整合为统一的数据框:
library(arules) library(ggplot2) library(dplyr) library(ggrepel) # 整合所有规则的核心指标 rules_all <- res %>% rowwise() %>% # 过滤无有效规则的参数组,避免报错 filter(n_rules > 0) %>% mutate(rule_df = list( # 提取规则质量指标+规则内容,绑定当前参数阈值 as.data.frame(model@quality) %>% mutate( rule_content = labels(model), param_support = support, param_confidence = confidence ) )) %>% pull(rule_df) %>% bind_rows()
整合完成的rules_all包含所有规则的实际指标、生成规则的参数阈值、商品关联内容,可直接用于可视化。
常用可视化实现方案
1. 不同参数组合平均lift热力图
适合快速定位最优的支持度、置信度阈值,选择高平均lift的参数组批量生成规则:
rules_all %>% group_by(param_support, param_confidence) %>% summarise(avg_lift = mean(lift), .groups = "drop") %>% ggplot(aes(x = factor(param_support), y = factor(param_confidence), fill = avg_lift)) + geom_tile() + geom_text(aes(label = round(avg_lift, 2)), color = "white", size = 3) + labs( x = "支持度阈值", y = "置信度阈值", fill = "平均lift值", title = "不同参数下关联规则平均提升度分布" ) + scale_fill_viridis_c()
2. 全规则指标散点图
适合展示所有规则的lift、支持度、置信度三者的关联关系,可直接标注高价值规则内容:
rules_all %>% ggplot(aes(x = support, y = confidence, color = lift, size = lift)) + geom_point(alpha = 0.7) + # 仅标注lift前10的规则,避免标签拥挤 geom_text_repel( data = rules_all %>% slice_max(lift, n = 10), aes(label = rule_content), size = 3 ) + labs( x = "规则实际支持度", y = "规则实际置信度", color = "提升度", size = "提升度", title = "全量关联规则指标分布" ) + scale_color_viridis_c()
3. TopN高lift规则柱状图
适合给业务侧展示高价值关联规则,直接支撑商品推荐策略制定,lift值越高代表关联推荐的转化效率越高:
# 取lift排名前20的规则做展示,可按需调整数量 rules_all %>% slice_max(lift, n = 20) %>% ggplot(aes(x = lift, y = reorder(rule_content, lift), fill = lift)) + geom_col() + labs( x = "提升度", y = "关联规则", fill = "提升度", title = "Top20高价值商品关联规则" ) + scale_fill_viridis_c()
落地推荐时可直接筛选lift>1的规则,lift值代表用户购买前件商品后,购买后件商品的概率是随机购买概率的倍数。
内容的提问来源于stack exchange,提问作者AdilK
相关产品推荐
相关产品推荐

