RuleExplorer 마스터하기

rules_online에 연결된 Shiny 앱을 탐색해 보세요. 다음 조건을 만족하는 규칙은 몇 개인가요? 최소 support 0.01, 최소 confidence 0.9, 그리고 lift는 최소 70.

이 연습은 강의의 일부입니다

R로 배우는 Market Basket Analysis

강의 보기

실습형 인터랙티브 연습문제

이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요

연습 시작

이 연습은 강의의 일부입니다

R로 배우는 Market Basket Analysis

SkillTag.level.intermediateSkillTag.label

4.8+

95 reviews

무료로 강의 시작하기

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.

Exercise 1: 마켓바스킷 소개 Exercise 2: 바구니와 아이템 Exercise 3: 단일 장바구니 Exercise 4: 장바구니에는 무엇이 있을까요?Exercise 5: 상품 조합 Exercise 6: 가능한 장바구니의 개수 Exercise 7: 부분집합과 상위집합 Exercise 8: 가능한 장바구니 수를 시각화하기 Exercise 9: Market basket analysis란 무엇인가요?Exercise 10: 두 개의 장바구니 Exercise 11: 여러 개의 장바구니 Exercise 12: 특정 상품 살펴보기

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.

Exercise 1: 거래 데이터 Exercise 2: 온라인 데이터 프레임의 거래화(Transactionalizing)Exercise 3: 소매점 탐정 Exercise 4: 아이템 행렬의 밀도는?Exercise 5: 마켓 바스켓 분석의 지표 Exercise 6: Support 측정값 Exercise 7: 신뢰도(confidence)와 향상도(lift) 지표 Exercise 8: 규칙 표시 형식 바꾸기 Exercise 9: apriori 알고리즘 Exercise 10: Apriori 원리 Exercise 11: 연관 규칙을 찾아볼까요 Exercise 12: apriori의 매개변수 Exercise 13: apriori로 만드는 "If this then that"Exercise 14: 모양 설정 다뤄 보기 Exercise 15: 중복 규칙 Exercise 16: 규칙 해석하기

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.

Exercise 1: 장바구니 속을 들여다봐요 Exercise 2: 장바구니에는 무엇이 있나요?Exercise 3: 가장 인기 있는 품목은 무엇일까요?Exercise 4: 시각화 더 멋지게 다듬기 Exercise 5: 지표 시각화 Exercise 6: 산점도 Exercise 7: ArulesViz 플롯 Exercise 8: 규칙을 생동감 있게 만들기 Exercise 9: 규칙을 그래프 기반 시각화로 바꾸기 Exercise 10: 그래프로 살펴보기 Exercise 11: 그래프 이해하기 Exercise 12: 그래프의 이식성 확보 Exercise 13: 대체 규칙 플롯 Exercise 14: 그룹 매트릭스 기반 시각화 Exercise 15: 평행좌표 플롯 Exercise 16: RuleExplorer 마스터하기

현재 연습

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.

Exercise 1: 거래 복습 Exercise 2: MovieLens 데이터셋 익히기 Exercise 3: 영화 거래 기록 Exercise 4: 빈도 플롯 Exercise 5: 연관 규칙 마이닝 Exercise 6: 영화의 인기도 Exercise 7: 적절한 영화 매개변수 선택하기 Exercise 8: 영화 규칙 추출하기 Exercise 9: 트랜잭션과 규칙 시각화 Exercise 10: 펄프 픽션은 어디에 있을까요?Exercise 11: 영화 규칙 시각화 Exercise 12: 그래프로 보는 우리가 좋아하는 영화 Exercise 13: 마켓 바스켓 분석을 최대한 활용하기 Exercise 14: 펄프 픽션에 영향을 준 것은 무엇일까요?Exercise 15: Pulp Fiction이 어떤 영화에 영향을 줬을까요?Exercise 16: 마켓 바스켓 실력을 발휘해 보세요!