Interpretarea regulilor

Regulile au fost extrase din setul de date Online retail și sunt stocate ca rules în spațiul tău de lucru. Care este interpretarea regulii cu cel mai mare support? Procentul clienților care au cumpărat ROSES REGENCY TEACUP AND SAUCER și au cumpărat totodată GREEN REGENCY TEACUP AND SAUCER.

Acest exercițiu face parte din cursul

Analiza coșului de cumpărături în R

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

Analiza coșului de cumpărături în R

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

Ce ai în coș? În acest prim capitol, vei învăța cum poate fi folosită analiza coșului de cumpărături (MBA) pentru a examina coșurile și a explora seturile de produse, cu scopul de a înțelege mai bine clienții și a le anticipa nevoile. Folosind tidyverse și dplyr, vei descoperi câte coșuri pot fi create dintr-un set dat de produse și vei înțelege puterea analizei coșului de cumpărături în contextul comerțului online, offline și al altor cazuri de utilizare din afara retailului.

Exercise 1: Introducere în analiza coșului de cumpărături Exercise 2: Coșuri și produse Exercise 3: Coș individual Exercise 4: Ce avem în coș?Exercise 5: Combinații de articole Exercise 6: Numărul de coșuri posibile Exercise 7: Submulțimi și supramulțimi Exercise 8: Reprezentarea grafică a numărului de coșuri posibile Exercise 9: Ce este analiza coșului de cumpărături?Exercise 10: Două coșuri Exercise 11: Coșuri multiple Exercise 12: Analiza unor articole specifice

În acest capitol, vei converti seturi de date tranzacționale în format coș, pregătite pentru analiză cu algoritmul Apriori. Vei fi introdus în cele trei metrici principale ale analizei coșului de cumpărături: suport, încredere și lift, după care vei aplica algoritmul Apriori pentru a extrage reguli dintr-un set de date tranzacțional. La final, vei explora cum se folosește pachetul arules pentru analiza coșului de cumpărături, pentru a recupera reguli și a identifica cele mai informative și relevante dintre ele.

Exercise 1: Date tranzacționale Exercise 2: Transacționalizarea setului de date online Exercise 3: Inspector retail Exercise 4: Care este densitatea matricei de articole?Exercise 5: Metrici în analiza coșului de cumpărături Exercise 6: Măsura suportului Exercise 7: Măsurile de încredere și lift Exercise 8: Modificarea aspectului regulilor Exercise 9: Algoritmul Apriori Exercise 10: Principiul Apriori Exercise 11: Mergem la cumpărături după reguli Exercise 12: Parametrii algoritmului apriori Exercise 13: „Dacă asta, atunci aceea" cu apriori Exercise 14: Explorează argumentul appearance Exercise 15: Reguli redundante Exercise 16: Interpretarea regulilor

Exercițiul curent

Să trecem la vizualizare. În acest capitol, vei inspecta vizual setul de reguli pe care le-ai extras anterior. Vizualizările sunt esențiale în analiza coșului de cumpărături, mai ales când lucrezi cu seturi mari de reguli extrase. Vei folosi pachetul arulesViz pentru a crea grafice de bare, diagrame de dispersie și grafuri care să vizualizeze regulile de asociere identificate. Vei transforma apoi graficele statice în grafice interactive, facilitând explorarea regulilor de asociere extrase.

Exercise 1: Hai să vedem ce e în coș Exercise 2: Ce se află în coș?Exercise 3: Ce este cel mai popular?Exercise 4: Vizualizări mai elaborate Exercise 5: Vizualizarea metricilor Exercise 6: Diagrame de dispersie Exercise 7: Grafice ArulesViz Exercise 8: Regulile prind viață Exercise 9: De la reguli la vizualizări bazate pe grafuri Exercise 10: Explorăm graficele Exercise 11: Înțelegerea grafului Exercise 12: Portabilitatea graficului tău Exercise 13: Grafice alternative pentru reguli Exercise 14: Vizualizări bazate pe matrice de grup Exercise 15: Grafice cu coordonate paralele Exercise 16: Stăpânirea RuleExplorer

Mergem la cinema. În acest capitol final, vei aplica tot ce ai învățat lucrând cu un set de date despre filme. Folosind analiza coșului de cumpărături, vei transforma acest set de date într-un sistem de recomandare de filme, valorificând informații din tranzacțiile cu filme pentru a înțelege și a prezice ce ar putea dori să vizioneze în continuare publicul tău.

Exercise 1: Recapitulare privind tranzacțiile Exercise 2: Familiarizarea cu setul de date MovieLens Exercise 3: Tranzacții cu filme Exercise 4: Grafice de frecvență Exercise 5: Extragerea regulilor de asociere Exercise 6: Popularitatea filmelor Exercise 7: Alegerea parametrilor potriviți pentru filme Exercise 8: Extragerea regulilor pentru filme Exercise 9: Vizualizarea tranzacțiilor și a regulilor Exercise 10: Unde este Pulp Fiction?Exercise 11: Vizualizarea regulilor pentru filme Exercise 12: Filmele noastre favorite ca graf Exercise 13: Cum să profiți la maximum de analiza coșului de cumpărături Exercise 14: Ce a influențat Pulp Fiction?Exercise 15: Ce a influențat Pulp Fiction?Exercise 16: Aplică-ți cunoștințele de market basket!