만약 {A, B}가 빈발 항목집합(frequent itemset)이라면, 이는 다음을 의미해요:
이 연습은 강의의 일부입니다
이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요
장바구니에는 무엇이 들어 있나요? 이 1장에서는 market basket analysis(MBA)를 활용해 장바구니를 살펴보고 itemset을 분석하여 고객을 더 잘 이해하고 그들의 니즈를 예측하는 방법을 배웁니다. tidyverse와 dplyr을 사용해 주어진 항목 집합에서 만들 수 있는 장바구니의 수를 계산하고, market basket analysis가 온라인 쇼핑, 오프라인 쇼핑은 물론 리테일을 넘어 다양한 활용 사례에서 얼마나 강력한지 알아봅니다.
이 장에서는 거래형 데이터셋을 Apriori 알고리즘으로 분석할 수 있도록 장바구니 형식으로 변환합니다. 이어서 market basket analysis의 세 가지 핵심 지표인 support, confidence, lift를 소개하고, Apriori 알고리즘을 직접 적용해 거래형 데이터셋에서 규칙을 추출해 볼 거예요. 마지막으로 arules 패키지를 사용해 장바구니 규칙을 산출하고, 가장 정보성이 높고 관련성 높은 규칙을 찾는 방법을 살펴봅니다.
현재 연습
이제 시각화해 봅시다. 이 장에서는 앞에서 추출한 규칙 집합을 시각적으로 점검합니다. market basket analysis에서는 추출되는 규칙의 수가 많은 경우가 흔하기 때문에 시각화가 매우 중요합니다. arulesViz 패키지를 사용해 막대그래프, 산점도, 그래프를 만들어 추론된 규칙 집합을 시각화합니다. 그런 다음 여러 플롯을 인터랙티브 플롯으로 바꿔, 발굴된 association rules를 더 쉽게 탐색할 수 있게 합니다.
이제 영화 데이터로 넘어가 보겠습니다. 마지막 장에서는 그동안 배운 내용을 영화 데이터셋에 적용합니다. market basket analysis를 활용해 이 데이터셋을 영화 추천 시스템으로 확장하고, 영화 거래 정보를 바탕으로 사용자가 다음에 보고 싶어 할 영화를 이해하고 예측해 봅니다.
