Principio de Apriori

Si {A, B} es un conjunto de ítems frecuente, esto implica que:

Este ejercicio forma parte del curso

Análisis de cestas de la compra en R

Ver curso

Ejercicio interactivo práctico

Pon en práctica la teoría con uno de nuestros ejercicios interactivos

Empezar ejercicio

Este ejercicio forma parte del curso

Análisis de cestas de la compra en R

IntermedioNivel de habilidad

4.9+

43 reviews

Comienza el curso gratis

¿Qué hay en tu cesta? En este primer capítulo, aprenderás cómo el análisis de cestas de la compra (MBA) puede usarse para explorar cestas y profundizar en los conjuntos de artículos para entender mejor a los clientes y anticipar sus necesidades. Con tidyverse y dplyr descubrirás cuántas cestas pueden crearse a partir de un conjunto de artículos dado y conocerás el potencial del análisis de cestas de la compra para compras online, compras en tienda y casos de uso más allá del retail.

Exercise 1: Introducción al market basket Exercise 2: Cestas y artículos Exercise 3: Cesta individual Exercise 4: ¿Qué hay en la cesta?Exercise 5: Combinaciones de artículos Exercise 6: Número de cestas posibles Exercise 7: Subconjuntos y superconjuntos Exercise 8: Representa el número de cestas posibles Exercise 9: ¿Qué es el análisis de cestas de la compra?Exercise 10: Dos cestas Exercise 11: Varios carritos Exercise 12: Analizando artículos específicos

En este capítulo, convertirás conjuntos de datos transaccionales a un formato de cesta, listo para analizarlos con el algoritmo Apriori. A continuación, conocerás las tres métricas principales del análisis de cestas de la compra: soporte, confianza y lift, antes de trabajar directamente con el algoritmo Apriori para extraer reglas de un conjunto de datos transaccional. Por último, explorarás cómo se utiliza el paquete arules en el análisis de cestas de la compra para recuperar reglas y ayudarte a encontrar las más informativas y relevantes.

Exercise 1: Datos transaccionales Exercise 2: Convertir el data frame online a transaccional Exercise 3: Inspector retail Exercise 4: ¿Densidad de la matriz de ítems?Exercise 5: Métricas en el análisis de cestas de la compra Exercise 6: La medida de soporte Exercise 7: Medidas de confianza y lift Exercise 8: Cambiar la apariencia de las reglas Exercise 9: El algoritmo apriori Exercise 10: Principio de Apriori

Ejercicio actual

Exercise 11: Vamos de compras... de reglas Exercise 12: Parámetros de apriori Exercise 13: “Si esto, entonces aquello” con apriori Exercise 14: Jugando con la apariencia Exercise 15: Reglas redundantes Exercise 16: Interpretación de reglas

Vamos a visualizar. En este capítulo, inspeccionarás visualmente el conjunto de reglas que has extraído previamente. Las visualizaciones en el análisis de cestas de la compra son esenciales, ya que a menudo trabajas con grandes conjuntos de reglas extraídas. Usarás el paquete arulesViz para crear diagramas de barras, diagramas de dispersión y grafos que te permitan visualizar tus conjuntos de reglas inferidas. Luego convertirás estos gráficos en versiones interactivas, lo que facilita profundizar en las reglas de asociación obtenidas.

Exercise 1: Vamos a ver qué hay en la cesta Exercise 2: ¿Qué hay en la cesta?Exercise 3: ¿Qué es lo más popular?Exercise 4: Mejora tus visualizaciones Exercise 5: Visualizar métricas Exercise 6: Gráficos de dispersión Exercise 7: Gráficos de ArulesViz Exercise 8: Dale vida a las reglas Exercise 9: De reglas a visualizaciones basadas en grafos Exercise 10: Jugando con gráficos Exercise 11: Entender el grafo Exercise 12: Portabilidad de tu gráfico Exercise 13: Gráficos de reglas alternativos Exercise 14: Visualizaciones basadas en matriz de grupos Exercise 15: Gráficos de coordenadas paralelas Exercise 16: Domina el RuleExplorer

Nos vamos al cine. En este capítulo final, aplicarás todo lo aprendido trabajando con un conjunto de datos de películas. Mediante el análisis de cestas de la compra transformarás este conjunto en un sistema de recomendación de películas, utilizando información de transacciones de películas para entender y predecir qué podría querer ver tu audiencia a continuación.

Exercise 1: Resumen de transacciones Exercise 2: Familiarízate con el conjunto de datos MovieLens Exercise 3: Transacciones de películas Exercise 4: Gráficos de frecuencias Exercise 5: Extracción de reglas de asociación Exercise 6: Popularidad de las películas Exercise 7: Elegir los parámetros adecuados para las películas Exercise 8: Extracción de reglas de películas Exercise 9: Visualizar transacciones y reglas Exercise 10: ¿Dónde está Pulp Fiction?Exercise 11: Visualizing movie rules Exercise 12: Nuestras pelis favoritas como un grafo Exercise 13: Aprovecha al máximo el análisis de cesta de la compra Exercise 14: ¿Qué influyó en Pulp Fiction?Exercise 15: ¿Qué influenció Pulp Fiction?Exercise 16: ¡Pon en práctica tus habilidades de market basket!