Interpretazione delle regole

Dal dataset Online Retail sono state estratte delle regole e salvate come rules nel tuo workspace. Qual è l’interpretazione della regola con il supporto più alto? La percentuale di clienti che hanno acquistato ROSES REGENCY TEACUP AND SAUCER ha acquistato anche GREEN REGENCY TEACUP AND SAUCER.

Questo esercizio fa parte del corso

Analisi del carrello in R

Visualizza corso

esercizio interattivo pratico

Trasforma la teoria in pratica con uno dei nostri esercizi interattivi

Inizia esercizio

Questo esercizio fa parte del corso

Analisi del carrello in R

IntermediárioNível de habilidade

4.8+

Inizia il corso gratuitamente

Cosa c’è nel tuo carrello? In questo primo capitolo scoprirai come l’analisi del carrello (MBA) può essere usata per esaminare i carrelli e approfondire gli insiemi di articoli per comprendere meglio i clienti e prevederne le esigenze. Con tidyverse e dplyr scoprirai quante combinazioni di carrelli si possono generare da un insieme di articoli e quanto sia potente usare l’analisi del carrello per lo shopping online, offline e in casi d’uso oltre il retail.

Exercise 1: Introduzione alla market basket analysis Exercise 2: Basket e item Exercise 3: Cestino singolo Exercise 4: Cosa c’è nel carrello?Exercise 5: Combinazioni di articoli Exercise 6: Numero di carrelli possibili Exercise 7: Sottoinsiemi e soprainsiemi Exercise 8: Grafica il numero di carrelli possibili Exercise 9: Che cos’è la market basket analysis?Exercise 10: Due carrelli Exercise 11: Più carrelli Exercise 12: Osservare articoli specifici

In questo capitolo convertirai insiemi di dati transazionali in formato carrello, pronti per l’analisi con l’algoritmo Apriori. Ti presenteremo poi le tre metriche principali per l’analisi del carrello: supporto, confidenza e lift, prima di passare alla pratica con l’algoritmo Apriori per estrarre regole da un insieme di dati transazionali. Infine, esplorerai come il pacchetto arules viene usato nell’analisi del carrello per recuperare le regole e aiutarti a trovare quelle più informative e rilevanti.

Exercise 1: Dati transazionali Exercise 2: Trasformare in transazioni il data frame online Exercise 3: Ispettore retail Exercise 4: Densità della matrice degli item?Exercise 5: Metriche nell'analisi delle market basket Exercise 6: La misura di supporto Exercise 7: Misure di confidence e lift Exercise 8: Modificare l'aspetto delle regole Exercise 9: L'algoritmo Apriori Exercise 10: Principio di Apriori Exercise 11: Andiamo a caccia di regole Exercise 12: Parametri di apriori Exercise 13: "Se questo allora quello" con apriori Exercise 14: Giocare con l'argomento appearance Exercise 15: Regole ridondanti Exercise 16: Interpretazione delle regole

Esercizio attuale

Passiamo alla visualizzazione. In questo capitolo ispezionerai visivamente l’insieme di regole che hai estratto in precedenza. Le visualizzazioni nell’analisi del carrello sono fondamentali, perché spesso si lavora con grandi insiemi di regole. Userai il pacchetto arulesViz per creare barplot, scatterplot e grafi e visualizzare i tuoi insiemi di regole inferite. Trasformerai poi questi grafici in versioni interattive, rendendo più semplice approfondire le regole di associazione individuate.

Exercise 1: Vediamo cosa c’è nel carrello Exercise 2: Cosa c’è nel carrello?Exercise 3: Quali sono i più popolari?Exercise 4: Rendiamo le visualizzazioni più accattivanti Exercise 5: Visualizzare le metriche Exercise 6: Scatter plot Exercise 7: Grafici ArulesViz Exercise 8: Dai vita alle regole Exercise 9: Dalle regole alle visualizzazioni basate su grafi Exercise 10: Giochiamo con i grafi Exercise 11: Capire il grafico Exercise 12: Portabilità del tuo grafo Exercise 13: Grafici alternativi delle regole Exercise 14: Visualizzazioni basate su matrici di gruppi Exercise 15: Grafici a coordinate parallele Exercise 16: Padroneggiare il RuleExplorer

Si va al cinema. In questo capitolo finale applicherai tutto ciò che hai imparato lavorando con un insieme di dati di film. Grazie all’analisi del carrello trasformerai questo insieme di dati in un sistema di raccomandazione di film, utilizzando le informazioni delle transazioni per capire e prevedere cosa potrebbe voler guardare il tuo pubblico dopo.

Exercise 1: Ripasso sulle transazioni Exercise 2: Prendere confidenza con il dataset MovieLens Exercise 3: Transazioni di film Exercise 4: Grafici delle frequenze Exercise 5: Estrazione di regole di associazione Exercise 6: Popolarità dei film Exercise 7: Scegliere i parametri giusti per i film Exercise 8: Estrazione delle regole sui film Exercise 9: Visualizzare transazioni e regole Exercise 10: Dov'è Pulp Fiction?Exercise 11: Visualizzare le regole sui film Exercise 12: I nostri film preferiti come grafo Exercise 13: Sfruttare al massimo la market basket analysis Exercise 14: Cosa ha influenzato Pulp Fiction?Exercise 15: Che cosa ha influenzato Pulp Fiction?Exercise 16: Metti in pratica le tue competenze di market basket!