Aan de slag met de RuleExplorer

Als je de Shiny-app bij rules_online verkent, hoeveel regels voldoen er dan aan de volgende voorwaarden: minimale support 0.01, minimale confidence 0.9 en een lift van minstens 70?

Deze oefening maakt deel uit van de cursus

Market Basket-analyse in R

Bekijk cursus

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Begin oefening

Deze oefening maakt deel uit van de cursus

Market Basket-analyse in R

SkillTag.level.intermediateSkillTag.label

4.8+

84 reviews

Begin gratis met de cursus

Wat zit er in je mandje? In dit eerste hoofdstuk leer je hoe market basket-analyse (MBA) kan worden gebruikt om in mandjes te kijken en itemsets uit te diepen om klanten beter te begrijpen en hun behoeften te voorspellen. Met tidyverse en dplyr ontdek je hoeveel mandjes je kunt maken uit een gegeven set items, en leer je de kracht kennen van market basket-analyse voor online shoppen, offline shoppen en toepassingen buiten retail.

Exercise 1: Introductie tot market basket-analyse Exercise 2: Baskets en items Exercise 3: Enkele mand Exercise 4: Wat zit er in het mandje?Exercise 5: Productcombinaties Exercise 6: Aantal mogelijke mandjes Exercise 7: Deelverzamelingen en superverzamelingen Exercise 8: Plot het aantal mogelijke mandjes Exercise 9: Wat is market basket analysis?Exercise 10: Twee mandjes Exercise 11: Meerdere mandjes Exercise 12: Kijken naar specifieke items

In dit hoofdstuk zet je transactionele gegevenssets om naar een mandjesformaat, klaar voor analyse met het Apriori-algoritme. Daarna maak je kennis met de drie belangrijkste statistieken voor market basket-analyse: support, confidence en lift, voordat je praktisch aan de slag gaat met het Apriori-algoritme om regels uit een transactionele gegevensset te halen. Tot slot verken je hoe het arules-pakket wordt gebruikt voor market basket-analyse om mandjesregels op te halen en je te helpen de meest informatieve en relevante regels te vinden.

Exercise 1: Transactionele gegevens Exercise 2: De online data frame transactionaliseren Exercise 3: Retail-inspecteur Exercise 4: Dichtheid van de itemmatrix?Exercise 5: Kerncijfers in marketbasketanalyse Exercise 6: De support-maat Exercise 7: Maten voor confidence en lift Exercise 8: De weergave van regels aanpassen Exercise 9: Het Apriori-algoritme Exercise 10: Apriori-principe Exercise 11: Laten we gaan shoppen voor regels Exercise 12: Parameters van apriori Exercise 13: "Als dit, dan dat" met apriori Exercise 14: Spelen met de appearance Exercise 15: Redundante regels Exercise 16: Interpretatie van regels

Tijd voor visuals. In dit hoofdstuk bekijk je visueel de set regels die je eerder hebt afgeleid. Visualisaties in market basket-analyse zijn cruciaal, omdat je vaak met grote sets afgeleide regels werkt. Je gebruikt het arulesViz-pakket om staafdiagrammen, spreidingsdiagrammen en grafen te maken om je sets afgeleide regels te visualiseren. Vervolgens maak je van deze figuren interactieve plots, zodat je gemakkelijker kunt inzoomen op de gevonden associatieregels.

Exercise 1: Kijken wat er in het mandje zit Exercise 2: Wat zit er in het mandje?Exercise 3: Wat is het populairst?Exercise 4: Aan de slag met mooie visuals Exercise 5: Visualiseren van metrics Exercise 6: Spreidingsdiagrammen Exercise 7: ArulesViz-plots Exercise 8: Breng regels tot leven Exercise 9: Van regels naar grafiekgebaseerde visualisaties Exercise 10: Spelen met grafen Exercise 11: De grafiek begrijpen Exercise 12: Draagbaarheid van je grafiek Exercise 13: Alternatieve regelplots Exercise 14: Visuele weergaven op basis van een groepsmatrix Exercise 15: Parallelcoördinatenplots Exercise 16: Aan de slag met de RuleExplorer

Huidige oefening

We gaan naar de film. In dit laatste hoofdstuk pas je alles toe wat je hebt geleerd terwijl je met een filmdataset werkt. Met market basket-analyse verander je deze dataset in een systeem voor filmaanbevelingen, waarbij je informatie uit filmtransacties gebruikt om te begrijpen en te voorspellen wat je publiek hierna wil bekijken.

Exercise 1: Terugblik op transacties Exercise 2: Kennismaken met de MovieLens-gegevensset Exercise 3: Filmtransacties Exercise 4: Frequentieplots Exercise 5: Associatieregels ontginnen Exercise 6: Populariteit van films Exercise 7: De juiste filmparameters kiezen Exercise 8: Filmregels extraheren Exercise 9: Transacties en regels visualiseren Exercise 10: Waar is Pulp Fiction?Exercise 11: Regels voor films visualiseren Exercise 12: Onze favoriete films als graaf Exercise 13: Het maximale halen uit marketbasketanalyse Exercise 14: Wat beïnvloedde Pulp Fiction?Exercise 15: Wat heeft Pulp Fiction beïnvloed?Exercise 16: Zet je market-basket-skills in!