Asociace a disociace

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Market Basket Analysis v Pythonu

SkillTag.level.intermediateSkillTag.label

4.9+

269 reviews

Začněte kurz zdarma

V této kapitole se seznámíš se základy analýzy nákupního košíku: asociačními pravidly, metrikami a ořezáváním. Tyto koncepty pak uplatníš při práci na zlepšení propagace a rozmístění zboží v malém obchodě s potravinami.

Exercise 1: Co je analýza nákupního košíku?Exercise 2: Základy analýzy tržního košíku Exercise 3: Křížový prodej produktů Exercise 4: Identifikace asociačních pravidel Exercise 5: Více antecedentů a konsekutorů Exercise 6: Příprava dat pro analýzu nákupního košíku Exercise 7: Generování asociačních pravidel Exercise 8: Nejjednodušší metrika Exercise 9: One-hot kódování transakčních dat Exercise 10: Výpočet metriky support

Asociační pravidla nám říkají, že dvě nebo více položek spolu souvisí. Metriky nám umožňují kvantifikovat užitečnost těchto vztahů. V této kapitole použiješ šest metrik k hodnocení asociačních pravidel: support, confidence, lift, conviction, leverage a Zhangovu metriku. Pak je využiješ při práci pro knihovnu a prodejce e-knih.

Exercise 1: Spolehlivost a lift Exercise 2: Doporučování knih pomocí supportu Exercise 3: Zpřesnění podpory pomocí spolehlivosti Exercise 4: Další zpřesnění pomocí liftu Exercise 5: Leverage a conviction Exercise 6: Lift versus leverage Exercise 7: Výpočet conviction Exercise 8: Výpočet conviction pomocí funkce Exercise 9: Propagace e-knih pomocí conviction Exercise 10: Asociace a disociace

Aktuální cvičení

Exercise 11: Výpočet asociace a disociace Exercise 12: Definice Zhangovy metriky Exercise 13: Použití Zhangovy metriky Exercise 14: Pokročilá pravidla Exercise 15: Filtrování pomocí support a conviction Exercise 16: Filtrování pomocí více metrik pro křížovou propagaci knih

Základní výzvou analýzy nákupního košíku je přeložit obrovské množství zákaznických rozhodnutí do malého počtu užitečných pravidel. Tento proces obvykle začíná aplikací algoritmu Apriori a zahrnuje další strategie, jako jsou ořezávání a agregace. V této kapitole se naučíš, jak tyto metody používat, a nakonec je uplatníš v cvičeních, kde pomůžeš maloobchodníkovi s výběrem rozvržení prodejny a křížovou propagací produktů.

Exercise 1: Agregace Exercise 2: Provádění agregace Exercise 3: Definice agregační funkce Exercise 4: Algoritmus Apriori Exercise 5: Prořezávání a Apriori Exercise 6: Hledání častých itemsetů pomocí Apriori Exercise 7: Výběr prahu podpory Exercise 8: Základní prořezávání výsledků algoritmu Apriori Exercise 9: Generování asociačních pravidel Exercise 10: Prořezávání pomocí lift Exercise 11: Prořezávání podle confidence Exercise 12: Pokročilé prořezávání výsledků algoritmu Apriori Exercise 13: Agregace a filtrování Exercise 14: Použití Zhangova pravidla Exercise 15: Pokročilé filtrování s více metrikami

V této závěrečné kapitole se naučíš, jak vizualizace pomáhají řídit proces ořezávání a shrnovat výsledky, které mají obvykle podobu itemsetů nebo pravidel. Osvojíš si tři nejužitečnější typy vizualizací – heatmapy, bodové grafy a grafy paralelních souřadnic – a použiješ je při práci pro streamovací službu.

Exercise 1: Heatmapy Exercise 2: Vizualizace podpory itemsetů Exercise 3: Heatmapy s metrikou lift Exercise 4: Interpretace heatmap Exercise 5: Bodové grafy Exercise 6: Prořezávání pomocí bodových grafů Exercise 7: Optimalita hranice support-confidence Exercise 8: Graf paralelních souřadnic Exercise 9: Vizualizace pravidel pomocí grafu paralelních souřadnic Exercise 10: Vylepšení grafu paralelních souřadnic Exercise 11: Gratulujeme!