Conceptos básicos del market basket analysis

El market basket analysis usa listas de transacciones para identificar asociaciones útiles entre artículos. Esas asociaciones pueden escribirse como una regla con un antecedente y un consecuente. Imagina que una pequeña tienda de comestibles te ha pedido que revises sus datos de transacciones. Tras analizarlo, encuentras la siguiente regla:

{cereal} \(\rightarrow\) {milk}

¿Cuál de las siguientes afirmaciones sobre esta regla es correcta?

Este ejercicio forma parte del curso

Análisis de cesta de la compra en Python

ejercicio interactivo práctico

Convierte la teoría en práctica con uno de nuestros ejercicios interactivos

Empezar ejercicio

Este ejercicio forma parte del curso

Análisis de cesta de la compra en Python

IntermedioNivel de habilidad

4.9+

Empieza el curso gratis

En este capítulo aprenderás lo básico del análisis de cesta de la compra: reglas de asociación, métricas y poda. Luego aplicarás estos conceptos para ayudar a un pequeño supermercado a mejorar sus acciones promocionales y la colocación de productos.

Exercise 1: ¿Qué es el análisis de cesta de la compra?Exercise 2: Conceptos básicos del market basket analysis

Ejercicio actual

Exercise 3: Venta cruzada de productos Exercise 4: Identificar reglas de asociación Exercise 5: Antecedentes y consecuentes múltiples Exercise 6: Preparar datos para el análisis de cesta de la compra Exercise 7: Generar reglas de asociación Exercise 8: La métrica más simple Exercise 9: One-hot encoding de datos de transacciones Exercise 10: Calcular la métrica de soporte

Las reglas de asociación nos indican que dos o más artículos están relacionados. Las métricas nos permiten cuantificar la utilidad de esas relaciones. En este capítulo aplicarás seis métricas para evaluar reglas de asociación: soporte, confianza, lift, convicción, apalancamiento y la métrica de Zhang. Después usarás reglas de asociación y métricas para ayudar a una biblioteca y a un vendedor de libros electrónicos.

Exercise 1: Confianza y lift Exercise 2: Recomendar libros con soporte Exercise 3: Afinar el soporte con la confianza Exercise 4: Afinando aún más con lift Exercise 5: Leverage y conviction Exercise 6: Lift frente a leverage Exercise 7: Calcular la convicción Exercise 8: Calcular la convicción con una función Exercise 9: Promocionar e-books con conviction Exercise 10: Asociación y disociación Exercise 11: Calcular asociación y disociación Exercise 12: Definir la métrica de Zhang Exercise 13: Aplicar la métrica de Zhang Exercise 14: Reglas avanzadas Exercise 15: Filtrado con support y conviction Exercise 16: Usar filtrado con múltiples métricas para venta cruzada de libros

El problema fundamental del análisis de cesta de la compra es determinar cómo convertir un volumen enorme de decisiones de clientes en un número reducido de reglas útiles. Este proceso suele empezar con la aplicación del algoritmo Apriori y requiere estrategias adicionales, como la poda y la agregación. En este capítulo aprenderás a usar estos métodos y terminarás aplicándolos en ejercicios en los que ayudas a un minorista a elegir la distribución de una tienda física y a realizar ventas cruzadas de productos.

Exercise 1: Agregación Exercise 2: Realizar agregación Exercise 3: Definir una función de agregación Exercise 4: El algoritmo Apriori Exercise 5: Poda y Apriori Exercise 6: Identificar conjuntos de artículos frecuentes con Apriori Exercise 7: Seleccionar un umbral de soporte Exercise 8: Poda básica de resultados de Apriori Exercise 9: Generar reglas de asociación Exercise 10: Poda con lift Exercise 11: Poda con confidence Exercise 12: Poda avanzada de resultados de Apriori Exercise 13: Agregación y filtrado Exercise 14: Aplicar la regla de Zhang Exercise 15: Filtrado avanzado con múltiples métricas

En este capítulo final aprenderás cómo se usan las visualizaciones para guiar el proceso de poda y resumir los resultados finales, que normalmente se presentan como conjuntos de artículos o reglas. Dominarás las tres visualizaciones más útiles —mapas de calor, gráficos de dispersión y gráficos de coordenadas paralelas— y las aplicarás para ayudar a un servicio de streaming de películas.

Exercise 1: Mapas de calor Exercise 2: Visualizing itemset support Exercise 3: Mapas de calor con lift Exercise 4: Interpretar mapas de calor Exercise 5: Gráficos de dispersión Exercise 6: Poda con diagramas de dispersión Exercise 7: Optimalidad de la frontera soporte-confianza Exercise 8: Gráfico de coordenadas paralelas Exercise 9: Usar coordenadas paralelas para visualizar reglas Exercise 10: Perfeccionar un gráfico de coordenadas paralelas Exercise 11: ¡Enhorabuena!