Transactions de films

Dans les derniers exercices, vous avez exploré le jeu de données movies_subset et déterminé que la colonne userId et la colonne title représentent respectivement l'utilisateur et le film qu'il a regardé. D'après ce que vous avez appris, vous savez qu'avant d'utiliser l'outil de Market Basket Analysis et de produire des règles d'association, vous devez convertir le jeu de données en classe transactional. C'est une étape nécessaire pour effectuer une Market Basket Analysis avec le package arules.

Cette activité fait partie du cours

Analyse des paniers d'achats en R

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Split dataset into movies and users
data_list = ___(movie_subset$___,
                movie_subset$___)

Modifier et exécuter le code

Cette activité fait partie du cours

Analyse des paniers d'achats en R

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Qu'y a-t-il dans votre panier? Dans ce premier chapitre, vous verrez comment l'analyse des paniers d'achats (MBA) permet d'examiner les paniers et d'explorer les ensembles d'articles pour mieux comprendre les clients et prévoir leurs besoins. Avec tidyverse et dplyr, vous découvrirez combien de paniers peuvent être créés à partir d'un ensemble d'articles donné et vous apprendrez la puissance de l'analyse des paniers d'achats pour les achats en ligne, en magasin, et pour des cas d'usage au-delà du commerce de détail.

Exercise 1: Introduction à l'analyse des paniers d'achat Exercise 2: Paniers et articles Exercise 3: Panier unique Exercise 4: Qu'y a-t-il dans le panier?Exercise 5: Combinaisons d'articles Exercise 6: Nombre de paniers possibles Exercise 7: Sous-ensembles et surensembles Exercise 8: Tracer le nombre de paniers possibles Exercise 9: Qu'est-ce que l'analyse des paniers d'achat ?Exercise 10: Deux paniers Exercise 11: Paniers multiples Exercise 12: Examiner des articles précis

Dans ce chapitre, vous convertirez des jeux de données transactionnels en format panier, prêts pour l'analyse avec l'algorithme Apriori. Vous serez ensuite initié aux trois mesures principales de l'analyse des paniers d'achats : le support, la confiance et le lift, avant de passer à la pratique avec l'algorithme Apriori pour extraire des règles d'un jeu de données transactionnel. Enfin, vous explorerez comment le paquet arules est utilisé pour l'analyse des paniers d'achats afin de récupérer des règles et de vous aider à repérer les plus informatives et pertinentes.

Exercise 1: Données transactionnelles Exercise 2: Transformer la trame de données en format transactionnel Exercise 3: Inspecteur du commerce de détail Exercise 4: Densité de la matrice d'articles?Exercise 5: Mesures en analyse des paniers d'achat Exercise 6: La mesure du support Exercise 7: Mesures de confiance et de portée (lift)Exercise 8: Modifier l'apparence des règles Exercise 9: L'algorithme Apriori Exercise 10: Principe d'Apriori Exercise 11: Allons magasiner des règles Exercise 12: Paramètres de l'algorithme apriori Exercise 13: « Si ceci, alors cela » avec apriori Exercise 14: Jouer avec le paramètre d'apparence Exercise 15: Règles redondantes Exercise 16: Interprétation des règles

Place à la visualisation. Dans ce chapitre, vous inspecterez visuellement l'ensemble des règles que vous avez extrait précédemment. Les visualisations en analyse des paniers d'achats sont essentielles, car on traite souvent de grands ensembles de règles. Vous utiliserez le paquet arulesViz pour créer des diagrammes à bandes, des nuages de points et des graphes afin de visualiser vos ensembles de règles inférées. Vous rendrez ensuite ces graphiques interactifs, ce qui facilite l'exploration détaillée des règles d'association extraites.

Exercise 1: Voyons ce qu'il y a dans le panier Exercise 2: Qu'est-ce qu'il y a dans le panier?Exercise 3: Quel est le plus populaire ?Exercise 4: Aller plus loin avec les visuels Exercise 5: Visualiser les mesures Exercise 6: Nuages de points Exercise 7: Graphiques ArulesViz Exercise 8: Donner vie aux règles Exercise 9: Des règles aux visualisations sous forme de graphe Exercise 10: S'amuser avec les graphes Exercise 11: Comprendre le graphe Exercise 12: Portabilité de votre graphique Exercise 13: Autres graphiques de règles Exercise 14: Visualisations de matrice groupée Exercise 15: Graphiques en coordonnées parallèles Exercise 16: Maîtriser le RuleExplorer

En route vers le cinéma. Dans ce dernier chapitre, vous appliquerez tout ce que vous avez appris en travaillant avec un jeu de données de films. Grâce à l'analyse des paniers d'achats, vous transformerez ce jeu de données en système de recommandation de films, en utilisant l'information tirée des transactions de films pour comprendre et prévoir ce que votre public pourrait vouloir regarder ensuite.

Exercise 1: Récapitulatif sur les transactions Exercise 2: Se familiariser avec l'ensemble de données MovieLens Exercise 3: Transactions de films

Exercice en cours

Exercise 4: Graphiques de fréquences Exercise 5: Extraction de règles d'association Exercise 6: Popularité des films Exercise 7: Choisir les bons paramètres de film Exercise 8: Extraction de règles sur les films Exercise 9: Visualiser les transactions et les règles Exercise 10: Où est Pulp Fiction?Exercise 11: Visualiser les règles de films Exercise 12: Nos films préférés sous forme de graphe Exercise 13: Tirer le maximum de l'analyse du panier d'achat Exercise 14: Qu'est-ce qui a influencé Pulp Fiction?Exercise 15: Qu'est-ce que Pulp Fiction a influencé?Exercise 16: Mettez en pratique vos compétences en analyse des paniers d'achats !