Elevación (minería de datos)

En minería de datos y aprendizaje de reglas de asociación , el lift es una medida del rendimiento de un modelo de segmentación (regla de asociación) para predecir o clasificar casos como que tienen una respuesta mejorada (con respecto a la población en su conjunto), medido en comparación con un modelo de segmentación de elección aleatoria. Un modelo de segmentación está haciendo un buen trabajo si la respuesta${\displaystyle P(B\mid T)}$dentro del objetivo (${\displaystyle T}$) es mucho mejor que la línea base (${\displaystyle P(B)}$) promedio para la población en su conjunto. Lift es simplemente la razón de estos valores: respuesta objetivo dividida por respuesta promedio. Matemáticamente,

${\displaystyle \operatorname {lift} ={\frac {P(B\mid T)}{P(B)}}={\frac {P(T\wedge B)}{P(T)P(B)}}}$

Por ejemplo, supongamos que una población tiene una tasa de respuesta promedio del 5%, pero un modelo (o regla) determinado ha identificado un segmento con una tasa de respuesta del 20%. Entonces, ese segmento tendría un incremento de 4,0 (20%/5%).

El valor de Lift también representa la relación entre precisión y prevalencia , como se muestra en este gráfico:

Dado que el lift es la relación entre precisión y prevalencia , y la prevalencia no cambia con la selección del conjunto objetivo, el lift es proporcional a la precisión. Por lo tanto, la curva de lift, que representa el lift frente a la exhaustividad (es decir, la captura), tiene la misma forma que la curva de precisión-exhaustividad . La curva de lift siempre termina en el punto (1, 1) o (100%, 1) en la esquina inferior derecha, al igual que la curva de precisión-exhaustividad termina en el punto (1/P(B), 1). Este punto corresponde a la selección de toda la población como conjunto objetivo.

Al igual que la curva de precisión-exhaustividad, la curva de elevación muestra una relación de compromiso similar a la de la curva característica de funcionamiento del receptor (ROC). También es similar a la curva conocida en econometría como la curva de Lorenz o curva de potencia. ^{[ 9 ]}

Por lo general, el modelador busca dividir la población en cuantiles y clasificarlos según su impacto. Las organizaciones pueden entonces considerar cada cuantil y, al sopesar la tasa de respuesta prevista (y el beneficio financiero asociado) frente al coste, pueden decidir si dirigir sus campañas de marketing a ese cuantil o no.

Supongamos que el conjunto de datos que se está extrayendo es:

donde el antecedente es la variable de entrada que podemos controlar, y el consecuente es la variable que intentamos predecir. Los problemas reales de minería suelen tener antecedentes más complejos, pero generalmente se centran en consecuentes de un solo valor.

La mayoría de los algoritmos de minería determinarían las siguientes reglas (modelos objetivo):

• Regla 1: A implica 0
• Regla 2: B implica 1

Porque estos son simplemente los patrones más comunes que se encuentran en los datos. Una simple revisión de la tabla anterior debería hacer evidentes estas reglas.

El soporte para la Regla 1 es 3/7 porque ese es el número de elementos en el conjunto de datos en los que el antecedente es A y el consecuente es 0. El soporte para la Regla 2 es 2/7 porque dos de los siete registros cumplen con el antecedente B y el consecuente 1. Los soportes se pueden escribir como:

${\displaystyle \operatorname {supp} (A\Rightarrow 0)=P(A\land 0)=P(A)P(0\mid A)=P(0)P(A\mid 0)}$

${\displaystyle \operatorname {supp} (B\Rightarrow 1)=P(B\land 1)=P(B)P(1\mid B)=P(1)P(B\mid 1)}$

La confianza para la Regla 1 es 3/4 porque tres de los cuatro registros que cumplen con el antecedente A cumplen con el consecuente 0. La confianza para la Regla 2 es 2/3 porque dos de los tres registros que cumplen con el antecedente B cumplen con el consecuente 1. Las confianzas se pueden escribir como:

${\displaystyle \operatorname {conf} (A\Rightarrow 0)=P(0\mid A)}$

${\displaystyle \operatorname {conf} (B\Rightarrow 1)=P(1\mid B)}$

El lift se puede encontrar dividiendo la confianza por la probabilidad incondicional del consecuente, o dividiendo el soporte por la probabilidad del antecedente multiplicada por la probabilidad del consecuente, de modo que:

• El elevador para la Regla 1 es (3/4)/(4/7) = (3*7)/(4 * 4) = 21/16 ≈ 1,31
• El elevador para la Regla 2 es (2/3)/(3/7) = (2*7)/(3 * 3) = 14/9 ≈ 1,56

${\displaystyle \operatorname {lift} (A\Rightarrow 0)={\frac {P(0\mid A)}{P(0)}}={\frac {P(A\land 0)}{P(A)P(0)}}}$

${\displaystyle \operatorname {lift} (B\Rightarrow 1)={\frac {P(1\mid B)}{P(1)}}={\frac {P(B\land 1)}{P(B)P(1)}}}$

Si alguna regla tuviera un valor de elevación de 1, implicaría que la probabilidad de ocurrencia del antecedente y la del consecuente son independientes entre sí. Cuando dos eventos son independientes entre sí, no se puede derivar ninguna regla que los involucre.

Si el valor de elevación es > 1, como ocurre aquí con las reglas 1 y 2, eso nos permite saber hasta qué punto esas dos ocurrencias dependen una de la otra, y hace que esas reglas sean potencialmente útiles para predecir el consecuente en futuros conjuntos de datos.

Observe que, si bien la Regla 1 tiene mayor confianza, su mejora es menor. Intuitivamente, parecería que la Regla 1 es más valiosa debido a su mayor confianza; aparenta ser más precisa (con mejor respaldo). Sin embargo, la precisión de la regla, independientemente del conjunto de datos, puede ser engañosa. El valor de la mejora radica en que considera tanto la confianza de la regla como el conjunto de datos en su conjunto.

• Coppock, David S. (2002-06-21). "¿Por qué levantar pesas?" . Recuperado el 2015-07-05 .

• Correlación y dependencia
• Modelado de elevación