Vizualizarea suportului itemset-urilor

Un start-up de streaming de conținut te-a contactat pentru servicii de consultanță. Pentru a menține costurile de licențiere scăzute, doresc să alcătuiască o bibliotecă restrânsă de filme care să atragă același tip de public. Deși vor oferi o selecție mai mică de conținut decât marii jucători din industrie, vor putea propune și un abonament cu preț redus.

Decizi să folosești datele MovieLens și o hartă termică pentru acest proiect. O hartă termică simplă bazată pe suport îți va permite să identifici titlurile individuale cu suport ridicat față de alte titluri. Datele codificate one-hot sunt disponibile ca DataFrame-ul onehot. De asemenea, pandas este disponibil ca pd, seaborn este disponibil ca sns, iar apriori() și association_rules() au fost deja importate.

Acest exercițiu face parte din cursul

Analiza coșului de cumpărături în Python

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Compute frequent itemsets using a minimum support of 0.07
frequent_itemsets = apriori(onehot, min_support = ____, 
                            use_colnames = True, max_len = 2)

# Compute the association rules
rules = association_rules(____, metric = 'support', 
                          min_threshold = 0.0)

Editează și rulează codul

Acest exercițiu face parte din cursul

Analiza coșului de cumpărături în Python

SkillTag.level.intermediateSkillTag.label

4.9+

Începe cursul gratuit

În acest capitol, vei învăța elementele de bază ale Analizei coșului de cumpărături: reguli de asociere, metrici și tăiere. Vei aplica apoi aceste concepte pentru a ajuta un magazin alimentar mic să își îmbunătățească strategiile de promovare și plasare a produselor.

Exercise 1: Ce este analiza coșului de cumpărături?Exercise 2: Noțiunile de bază ale analizei coșului de cumpărături Exercise 3: Vânzarea încrucișată a produselor Exercise 4: Identificarea regulilor de asociere Exercise 5: Antecedenti și consecvenți multipli Exercise 6: Pregătirea datelor pentru analiza coșului de cumpărături Exercise 7: Generarea regulilor de asociere Exercise 8: Cea mai simplă metrică Exercise 9: Codificarea one-hot a datelor de tranzacții Exercise 10: Calcularea metricii support

Regulile de asociere ne arată că două sau mai multe produse sunt corelate. Metricile ne permit să cuantificăm utilitatea acestor relații. În acest capitol, vei aplica șase metrici pentru a evalua regulile de asociere: suport, încredere, lift, convicție, levier și metrica lui Zhang. Vei folosi apoi regulile de asociere și metricile pentru a ajuta o bibliotecă și un vânzător de cărți electronice.

Exercise 1: Încredere și lift Exercise 2: Recomandarea cărților cu ajutorul suportului Exercise 3: Rafinarea suportului cu ajutorul încrederii Exercise 4: Rafinare suplimentară cu lift Exercise 5: Pârghie și convicție Exercise 6: Lift versus leverage Exercise 7: Calcularea convicției Exercise 8: Calcularea convicției cu o funcție Exercise 9: Promovarea cărților electronice cu conviction Exercise 10: Asociere și disociere Exercise 11: Calcularea asocierii și disocierii Exercise 12: Definirea metricii lui Zhang Exercise 13: Aplicarea metricii Zhang Exercise 14: Reguli avansate Exercise 15: Filtrare cu ajutorul suportului și al convicției Exercise 16: Utilizarea filtrării cu mai multe metrici pentru promovarea încrucișată a cărților

Provocarea fundamentală a Analizei coșului de cumpărături constă în a traduce volume mari de decizii ale clienților într-un număr redus de reguli utile. Acest proces începe de obicei cu aplicarea algoritmului Apriori și implică strategii suplimentare, precum tăierea și agregarea. În acest capitol, vei învăța cum să folosești aceste metode și le vei aplica în exerciții în care ajuți un retailer să aleagă un plan de amenajare a magazinului și să realizeze promoții încrucișate de produse.

Exercise 1: Agregare Exercise 2: Efectuarea agregării Exercise 3: Definirea unei funcții de agregare Exercise 4: Algoritmul Apriori Exercise 5: Reducere și Apriori Exercise 6: Identificarea seturilor de articole frecvente cu Apriori Exercise 7: Alegerea unui prag de suport Exercise 8: Filtrarea de bază a rezultatelor Apriori Exercise 9: Generarea regulilor de asociere Exercise 10: Reducerea regulilor folosind lift Exercise 11: Eliminarea regulilor cu ajutorul confidenței Exercise 12: Filtrarea avansată a rezultatelor Apriori Exercise 13: Agregare și filtrare Exercise 14: Aplicarea regulii lui Zhang Exercise 15: Filtrare avansată cu mai multe metrici

În acest capitol final, vei învăța cum se folosesc vizualizările pentru a ghida procesul de tăiere și a rezuma rezultatele finale, care iau de obicei forma unor seturi de articole sau reguli. Vei stăpâni cele mai utile trei tipuri de vizualizări – hărți de căldură, diagrame de dispersie și grafice cu coordonate paralele – și le vei aplica pentru a ajuta un serviciu de streaming de filme.

Exercise 1: Hărți termice Exercise 2: Vizualizarea suportului itemset-urilor

Exercițiul curent

Exercise 3: Hărți de căldură cu lift Exercise 4: Interpretarea heatmap-urilor Exercise 5: Diagrame de dispersie Exercise 6: Reducerea regulilor cu scatterplot-uri Exercise 7: Optimalitatea frontierei suport-încredere Exercise 8: Grafic cu coordonate paralele Exercise 9: Vizualizarea regulilor cu coordonate paralele Exercise 10: Rafinarea unui grafic cu coordonate paralele Exercise 11: Felicitări!