{A, B} が「頻出アイテム集合」だとすると、次のことが成り立ちます。
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
あなたのバスケットには何が入っていますか？この最初の章では、マーケットバスケット分析（MBA）を使ってバスケットの中身を調べ、アイテムセットを深掘りすることで、顧客をよりよく理解し、そのニーズを予測する方法を学びます。tidyverse と dplyr を使って、与えられたアイテム集合からいくつのバスケットが作成できるかを確認し、オンライン・オフラインのショッピング、さらには小売以外のユースケースでも役立つマーケットバスケット分析の強みを身につけます。
この章では、トランザクションデータセットをバスケット形式に変換し、Apriori アルゴリズムで分析できるように準備します。次に、マーケットバスケット分析の主要な3つの指標である support、confidence、lift を紹介し、Apriori アルゴリズムを使ってトランザクションデータからルールを抽出します。最後に、arules パッケージを用いてバスケットルールを取得し、最も有益で関連性の高いルールを見つける方法を探ります。
現在の演習
さあ、可視化していきましょう。この章では、これまでに抽出したルール集合を視覚的に確認します。マーケットバスケット分析では、大量のルールを扱うことが多いため、可視化は不可欠です。arulesViz パッケージを使って、棒グラフ、散布図、グラフを作成し、導出されたルール集合を可視化します。さらに、複数のプロットをインタラクティブなプロットに変換し、発見されたアソシエーションルールをより深く探索しやすくします。
映画の世界へようこそ。最終章では、映画のデータセットを使って、学んだすべてを実践します。マーケットバスケット分析を用いて、このデータセットを映画レコメンデーションシステムに変換し、映画のトランザクション情報から、視聴者が次に観たくなる作品を理解・予測します。
