Zaawansowane reguły

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

To ćwiczenie jest częścią kursu

Analiza koszyka zakupowego w Pythonie

SkillTag.level.intermediateSkillTag.label

4.9+

269 reviews

Rozpocznij kurs za darmo

W tym rozdziale poznasz podstawy analizy koszyka zakupowego: reguły asocjacyjne, metryki oraz przycinanie. Następnie zastosujesz te koncepcje w praktyce, pomagając małemu sklepowi spożywczemu usprawnić promocje i rozmieszczenie produktów.

Exercise 1: Czym jest analiza koszyka zakupów?Exercise 2: Podstawy analizy koszyka zakupowego Exercise 3: Cross-selling produktów Exercise 4: Identyfikowanie reguł asocjacyjnych Exercise 5: Wiele poprzedników i następników Exercise 6: Przygotowanie danych do analizy koszyka zakupów Exercise 7: Generowanie reguł asocjacyjnych Exercise 8: Najprostsza metryka Exercise 9: Kodowanie one-hot danych transakcyjnych Exercise 10: Obliczanie metryki wsparcia

Reguły asocjacyjne informują o tym, że dwa lub więcej elementów jest ze sobą powiązanych. Metryki pozwalają określić, jak użyteczne są te powiązania. W tym rozdziale zastosujesz sześć metryk do oceny reguł asocjacyjnych: wsparcie, pewność, lift, przekonanie, dźwignię oraz metrykę Zhanga. Następnie wykorzystasz reguły asocjacyjne i metryki, pomagając bibliotece oraz sprzedawcy e-booków.

Exercise 1: Ufność i lift Exercise 2: Rekomendowanie książek przy użyciu supportu Exercise 3: Uzupełnianie wsparcia o ufność Exercise 4: Dalsze doskonalenie z użyciem liftu Exercise 5: Dźwignia i przekonanie Exercise 6: Lift a leverage Exercise 7: Obliczanie przekonania (conviction)Exercise 8: Obliczanie przekonania za pomocą funkcji Exercise 9: Promowanie e-booków za pomocą conviction Exercise 10: Asocjacja i dysocjacja Exercise 11: Obliczanie asocjacji i dysocjacji Exercise 12: Definiowanie metryki Zhanga Exercise 13: Stosowanie metryki Zhanga Exercise 14: Zaawansowane reguły

Bieżące ćwiczenie

Exercise 15: Filtrowanie według wsparcia i przekonania Exercise 16: Filtrowanie wielometryczne w celu cross-promocji książek

Głównym wyzwaniem analizy koszyka zakupowego jest przekształcenie ogromnej liczby decyzji zakupowych klientów w niewielki zestaw użytecznych reguł. Proces ten zazwyczaj rozpoczyna się od zastosowania algorytmu Apriori i obejmuje dodatkowe strategie, takie jak przycinanie i agregacja. W tym rozdziale nauczysz się korzystać z tych metod, a następnie zastosujesz je w ćwiczeniach, pomagając sprzedawcy zaprojektować układ sklepu stacjonarnego i zaplanować promocje krzyżowe produktów.

Exercise 1: Agregacja Exercise 2: Agregacja danych Exercise 3: Definiowanie funkcji agregującej Exercise 4: Algorytm Apriori Exercise 5: Przycinanie i algorytm Apriori Exercise 6: Identyfikowanie częstych zbiorów elementów za pomocą algorytmu Apriori Exercise 7: Wybór progu wsparcia Exercise 8: Podstawowe przycinanie wyników algorytmu Apriori Exercise 9: Generowanie reguł asocjacyjnych Exercise 10: Przycinanie za pomocą lift Exercise 11: Przycinanie według ufności Exercise 12: Zaawansowane przycinanie wyników algorytmu Apriori Exercise 13: Agregacja i filtrowanie Exercise 14: Stosowanie reguły Zhanga Exercise 15: Zaawansowane filtrowanie z użyciem wielu metryk

W tym ostatnim rozdziale dowiesz się, jak wizualizacje wspierają proces przycinania i podsumowują wyniki końcowe w postaci zbiorów elementów lub reguł. Opanujesz trzy najbardziej przydatne rodzaje wizualizacji – mapy cieplne, wykresy punktowe i wykresy współrzędnych równoległych – i zastosujesz je, pomagając serwisowi streamingowemu z filmami.

Exercise 1: Mapy ciepła Exercise 2: Wizualizacja wsparcia zbiorów elementów Exercise 3: Mapy cieplne z metryką lift Exercise 4: Interpretacja map ciepła Exercise 5: Wykresy punktowe Exercise 6: Przycinanie za pomocą wykresów rozrzutu Exercise 7: Optymalność granicy wsparcia i ufności Exercise 8: Wykres współrzędnych równoległych Exercise 9: Wizualizacja reguł za pomocą wykresu współrzędnych równoległych Exercise 10: Udoskonalanie wykresu współrzędnych równoległych Exercise 11: Gratulacje!