Interpretasi aturan

Aturan telah diekstrak dari himpunan data Online retail dan disimpan sebagai rules di ruang kerja Anda. Apa interpretasi dari aturan dengan support tertinggi? Persentase pelanggan yang membeli ROSES REGENCY TEACUP AND SAUCER juga membeli GREEN REGENCY TEACUP AND SAUCER.

Latihan ini merupakan bagian dari kursus

Analisis Keranjang Belanja di R

Lihat Kursus

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Mulai latihan

Latihan ini merupakan bagian dari kursus

Analisis Keranjang Belanja di R

SkillTag.level.intermediateSkillTag.label

4.8+

84 reviews

Mulai Kursus Gratis

Apa yang ada di keranjang Anda? Pada bab pertama ini, Anda akan mempelajari bagaimana analisis keranjang belanja (MBA) digunakan untuk menelusuri isi keranjang dan menggali himpunan item guna memahami pelanggan dengan lebih baik serta memprediksi kebutuhan mereka. Dengan tidyverse dan dplyr Anda akan mengetahui berapa banyak keranjang yang dapat dibentuk dari sekumpulan item tertentu, serta mempelajari kekuatan analisis keranjang belanja untuk belanja online, belanja offline, dan kasus penggunaan di luar ritel.

Exercise 1: Pengantar market basket Exercise 2: Keranjang dan item Exercise 3: Satu keranjang Exercise 4: Apa yang ada di keranjang?Exercise 5: Kombinasi item Exercise 6: Jumlah keranjang yang mungkin Exercise 7: Himpunan bagian dan himpunan pemuat Exercise 8: Plot jumlah kemungkinan keranjang Exercise 9: Apa itu market basket analysis?Exercise 10: Dua keranjang Exercise 11: Beberapa keranjang Exercise 12: Melihat item tertentu

Di bab ini, Anda akan mengonversi himpunan data transaksional ke format keranjang, siap dianalisis dengan algoritma Apriori. Anda kemudian akan diperkenalkan pada tiga metrik utama dalam analisis keranjang belanja: support, confidence, dan lift, sebelum langsung mempraktikkan algoritma Apriori untuk mengekstrak aturan dari himpunan data transaksional. Terakhir, Anda mengeksplorasi bagaimana paket arules digunakan untuk analisis keranjang belanja guna mengambil aturan keranjang dan membantu Anda menemukan aturan yang paling informatif dan relevan.

Exercise 1: Data transaksional Exercise 2: Mentransaksikan data frame online Exercise 3: Inspector retail Exercise 4: Kepadatan item matrix?Exercise 5: Metrik dalam analisis keranjang pasar Exercise 6: Ukuran support Exercise 7: Ukuran confidence dan lift Exercise 8: Mengubah tampilan aturan Exercise 9: Algoritme Apriori Exercise 10: Prinsip Apriori Exercise 11: Ayo berbelanja aturan Exercise 12: Parameter pada apriori Exercise 13: “Jika ini maka itu” dengan apriori Exercise 14: Bermain dengan parameter appearance Exercise 15: Aturan redundan Exercise 16: Interpretasi aturan

Latihan Saat Ini

Mari berfokus pada visual. Pada bab ini, Anda akan meninjau secara visual sekumpulan aturan yang sebelumnya telah diekstrak. Visualisasi dalam analisis keranjang belanja sangat penting karena sering kali Anda berhadapan dengan sekumpulan aturan hasil ekstraksi yang besar. Anda akan menggunakan paket arulesViz untuk membuat barplot, scatterplot, dan graph guna memvisualisasikan himpunan aturan yang disimpulkan. Anda kemudian akan mengubah kumpulan plot menjadi plot interaktif, sehingga lebih mudah menelusuri aturan asosiasi yang ditambang.

Exercise 1: Mari lihat apa yang ada di keranjang Exercise 2: Apa isi keranjang?Exercise 3: Mana yang paling populer?Exercise 4: Mempercantik visualisasi Exercise 5: Memvisualisasikan metrik Exercise 6: Scatterplot Exercise 7: Plot ArulesViz Exercise 8: Menghidupkan aturan Exercise 9: Dari aturan ke visualisasi berbasis grafik Exercise 10: Bermain dengan grafik Exercise 11: Memahami grafik Exercise 12: Portabilitas grafik Anda Exercise 13: Plot aturan alternatif Exercise 14: Visualisasi berbasis matriks berkelompok Exercise 15: Plot koordinat paralel Exercise 16: Menguasai RuleExplorer

Kita akan membahas film. Pada bab terakhir ini, Anda akan menerapkan semua yang telah dipelajari saat bekerja dengan himpunan data film. Dengan analisis keranjang belanja, Anda akan mengubah himpunan data ini menjadi sistem rekomendasi film, menggunakan informasi dari transaksi film untuk memahami dan memprediksi apa yang mungkin ingin ditonton audiens Anda selanjutnya.

Exercise 1: Rekap transaksi Exercise 2: Mengenal himpunan data MovieLens Exercise 3: Transaksi film Exercise 4: Plot frekuensi Exercise 5: Menambang aturan asosiasi Exercise 6: Popularitas film Exercise 7: Memilih parameter film yang tepat Exercise 8: Mengekstrak aturan film Exercise 9: Memvisualisasikan transaksi dan aturan Exercise 10: Di mana Pulp Fiction?Exercise 11: Memvisualisasikan aturan film Exercise 12: Film favorit kita sebagai sebuah graf Exercise 13: Memaksimalkan analisis keranjang pasar Exercise 14: Apa yang memengaruhi Pulp Fiction?Exercise 15: Apa yang dipengaruhi oleh Pulp Fiction?Exercise 16: Gunakan keterampilan market basket Anda!