Princípio de Apriori

Se {A, B} é um itemset frequente, isso implica que:

Este exercicio faz parte do curso

Análise de Cesta de Compras em R

Ver curso

exercicio interativo prático

Transforme teoria em prática com um dos nossos exercicio interativos

Iniciar exercicio

Este exercicio faz parte do curso

Análise de Cesta de Compras em R

IntermediárioNível de habilidade

4.8+

86 reviews

Comece o curso gratuitamente

O que tem na sua cesta? Neste primeiro capítulo, você vai aprender como a análise de cesta de compras (MBA) pode ser usada para olhar para as cestas e explorar conjuntos de itens para entender melhor os clientes e prever suas necessidades. Usando tidyverse e dplyr, você vai descobrir quantas cestas podem ser criadas a partir de um conjunto de itens e entender o poder da análise de cesta de compras para compras online, offline e casos além do varejo.

Exercise 1: Introdução a market basket Exercise 2: Cestas e itens Exercise 3: Cesta única Exercise 4: O que tem na cesta?Exercise 5: Combinações de itens Exercise 6: Número de cestas possíveis Exercise 7: Subconjuntos e superconjuntos Exercise 8: Plotar o número de cestas possíveis Exercise 9: O que é market basket analysis?Exercise 10: Duas cestas Exercise 11: Vários cestos Exercise 12: Observando itens específicos

Neste capítulo, você vai converter conjuntos de dados transacionais para o formato de cesta, prontos para análise com o algoritmo Apriori. Em seguida, será apresentado às três principais métricas da análise de cesta de compras: suporte, confiança e lift, antes de colocar a mão na massa com o algoritmo Apriori para extrair regras de um conjunto de dados transacional. Por fim, você explora como o pacote arules é usado na análise de cesta de compras para recuperar regras e ajudar a encontrar as mais informativas e relevantes.

Exercise 1: Dados transacionais Exercise 2: Transformando o data frame online em transações Exercise 3: Inspetor de varejo Exercise 4: Densidade da matriz de itens?Exercise 5: Métricas na análise de cesta de mercado Exercise 6: A medida de suporte Exercise 7: Medidas de confiança e lift Exercise 8: Alterando a aparência das regras Exercise 9: O algoritmo apriori Exercise 10: Princípio de Apriori

Exercicio Atual

Exercise 11: Vamos às compras de regras Exercise 12: Parâmetros do apriori Exercise 13: “Se isso então aquilo” com o apriori Exercise 14: Brincando com a aparência Exercise 15: Regras redundantes Exercise 16: Interpretação de regras

Vamos visualizar. Neste capítulo, você vai inspecionar visualmente o conjunto de regras que extraiu anteriormente. Visualizações em análise de cesta de compras são essenciais, já que muitas vezes você lida com grandes conjuntos de regras extraídas. Você usará o pacote arulesViz para criar gráficos de barras, de dispersão e grafos para visualizar seus conjuntos de regras inferidas. Depois, vai transformar esses gráficos em visualizações interativas, facilitando explorar em profundidade as regras de associação mineradas.

Exercise 1: Vamos ver o que tem na cesta Exercise 2: O que tem na cesta?Exercise 3: O que é mais popular?Exercise 4: Deixando os visuais mais caprichados Exercise 5: Visualizando métricas Exercise 6: Gráficos de dispersão Exercise 7: Gráficos do ArulesViz Exercise 8: Dando vida às regras Exercise 9: Das regras às visualizações baseadas em grafos Exercise 10: Brincando com grafos Exercise 11: Entendendo o grafo Exercise 12: Portabilidade do seu grafo Exercise 13: Gráficos alternativos de regras Exercise 14: Visualizações baseadas em matriz agrupada Exercise 15: Gráficos de coordenadas paralelas Exercise 16: Dominando o RuleExplorer

Vamos ao cinema. Neste capítulo final, você vai aplicar tudo o que aprendeu trabalhando com um conjunto de dados de filmes. Usando a análise de cesta de compras, você vai transformar esse conjunto em um sistema de recomendação de filmes, aproveitando informações de transações de filmes para entender e prever o que seu público pode querer assistir em seguida.

Exercise 1: Recapitulação sobre transações Exercise 2: Conhecendo o conjunto de dados MovieLens Exercise 3: Transações de filmes Exercise 4: Gráficos de frequência Exercise 5: Minerando regras de associação Exercise 6: Popularidade dos filmes Exercise 7: Escolhendo os parâmetros certos para filmes Exercise 8: Extraindo regras de filmes Exercise 9: Visualizando transações e regras Exercise 10: Onde está Pulp Fiction?Exercise 11: Visualizando regras de filmes Exercise 12: Nossos filmes favoritos como um grafo Exercise 13: Aproveitando ao máximo a análise de cesta de compras Exercise 14: O que influenciou Pulp Fiction?Exercise 15: O que Pulp Fiction influenciou?Exercise 16: Use suas habilidades de market basket!