Transaktionalisierung des Online-Daten-Frames

Zurück zu den Online-Retail-Transaktionsdaten aus Kapitel 1! Die bereinigte Version des Datensatzes ist in deinem Workspace geladen und heißt Online_Retail_clean. Bevor du Algorithmen für deine Market Basket Analysis anwenden kannst, musst du deine Daten zunächst transaktionalisieren. Dadurch kannst du später Assoziationsregeln schneller und effizienter extrahieren.

Erinnere dich: In diesem Datensatz wird das gekaufte Produkt bzw. der Artikel in der Spalte Description beschrieben, während sich die Spalte InvoiceNo auf eine eindeutige Rechnungsnummer bezieht, die du als Transaktions-ID betrachten kannst.

Diese Übung ist Teil des Kurses

Warenkorbanalyse in R

Kurs anzeigen

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Splitting transactions
data_list = ___(Online_Retail_clean$___,
                  Online_Retail_clean$___)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Warenkorbanalyse in R

Mittlere SchwierigkeitSchwierigkeitsgrad

4.9+

43 reviews

Kurs kostenlos starten

Was ist in deinem Korb? In diesem ersten Kapitel lernst du, wie sich mit der Warenkorbanalyse (MBA) Körbe untersuchen und Itemsets analysieren lassen, um Kundinnen und Kunden besser zu verstehen und ihre Bedürfnisse vorherzusagen. Mit tidyverse und dplyr findest du heraus, wie viele Körbe sich aus einer gegebenen Menge an Artikeln bilden lassen, und lernst, wie mächtig die Warenkorbanalyse für Online‑Shopping, Offline‑Shopping und Anwendungsfälle jenseits des Handels ist.

Exercise 1: Einführung in die Warenkorbanalyse Exercise 2: Warenkörbe und Artikel Exercise 3: Einzelner Warenkorb Exercise 4: Was ist im Korb?Exercise 5: Artikelkombinationen Exercise 6: Anzahl möglicher Körbe Exercise 7: Teil- und Obermengen Exercise 8: Anzahl möglicher Körbe plotten Exercise 9: Was ist Market Basket Analysis?Exercise 10: Zwei Warenkörbe Exercise 11: Mehrere Körbe Exercise 12: Bestimmte Artikel betrachten

In diesem Kapitel wandelst du transaktionale Datensätze in ein Korbformat um, das für die Analyse mit dem Apriori‑Algorithmus bereit ist. Anschließend lernst du die drei wichtigsten Metriken der Warenkorbanalyse kennen: Support, Confidence und Lift. Danach legst du selbst Hand an und extrahierst mit dem Apriori‑Algorithmus Regeln aus einem transaktionalen Datensatz. Zum Schluss erforschst du, wie das Paket arules in der Warenkorbanalyse eingesetzt wird, um Korbregeln zu ermitteln und dir dabei zu helfen, die aussagekräftigsten und relevantesten Regeln zu finden.

Exercise 1: Transaktionsdaten Exercise 2: Transaktionalisierung des Online-Daten-Frames

Aktuelle Übung

Exercise 3: Inspector retail Exercise 4: Dichte der Item-Matrix?Exercise 5: Metriken in der Marktkorbanalyse Exercise 6: Die Support-Messgröße Exercise 7: Konfidenz- und Lift-Maße Exercise 8: Darstellung von Regeln anpassen Exercise 9: Der Apriori-Algorithmus Exercise 10: Apriori-Prinzip Exercise 11: Lass uns auf Regel‑Shoppingtour gehen Exercise 12: Parameter von apriori Exercise 13: „Wenn dies, dann das“ mit dem Apriori-Algorithmus Exercise 14: Mit dem Erscheinungsbild spielen Exercise 15: Redundante Regeln Exercise 16: Interpretation von Regeln

Jetzt wird’s visuell. In diesem Kapitel inspizierst du die Menge der zuvor extrahierten Regeln visuell. Visualisierungen sind in der Warenkorbanalyse entscheidend, da du häufig mit großen Regelmengen arbeitest. Mit dem Paket arulesViz erstellst du Balken‑ und Streudiagramme sowie Graphen, um deine abgeleiteten Regelmengen zu visualisieren. Anschließend wandelst du die Plots in interaktive Visualisierungen um, sodass du leichter in die entdeckten Assoziationsregeln hineinzoomen kannst.

Exercise 1: Schauen wir mal, was im Korb ist Exercise 2: Was ist im Warenkorb?Exercise 3: Was ist am beliebtesten?Exercise 4: Mit Visualisierungen aufpeppen Exercise 5: Metriken visualisieren Exercise 6: Streudiagramme Exercise 7: ArulesViz-Plots Exercise 8: Regeln zum Leben erwecken Exercise 9: Von Regeln zu graphbasierten Visualisierungen Exercise 10: Mit Graphen spielen Exercise 11: Den Graphen verstehen Exercise 12: Portabilität deines Graphen Exercise 13: Alternative Regel-Plots Exercise 14: Gruppenmatrix-basierte Visualisierungen Exercise 15: Parallele Koordinatenplots Exercise 16: Den RuleExplorer meistern

Ab ins Kino. In diesem abschließenden Kapitel wendest du alles Gelernte auf einen Filmdatensatz an. Mit der Warenkorbanalyse verwandelst du diesen Datensatz in ein Filmempfehlungssystem und nutzt Informationen aus Filmtransaktionen, um zu verstehen und vorherzusagen, was dein Publikum als Nächstes sehen möchte.

Exercise 1: Rückblick auf Transaktionen Exercise 2: Mach dich mit dem MovieLens-Datensatz vertraut Exercise 3: Filmtransaktionen Exercise 4: Häufigkeitsdiagramme Exercise 5: Assoziationsregeln entdecken Exercise 6: Beliebtheit von Filmen Exercise 7: Die richtigen Film-Parameter wählen Exercise 8: Filme-Regeln extrahieren Exercise 9: Transaktionen und Regeln visualisieren Exercise 10: Wo ist Pulp Fiction?Exercise 11: Regeln für Filme visualisieren Exercise 12: Unsere Lieblingsfilme als Graph Exercise 13: Marktbezogene Warenkorbanalyse optimal nutzen Exercise 14: Was hat Pulp Fiction beeinflusst?Exercise 15: Worauf hatte Pulp Fiction Einfluss?Exercise 16: Setze deine Market-Basket-Skills ein!