Marknadsföra e-böcker med conviction

I föregående övning definierade vi en funktion för att beräkna conviction. Vi ombads tillämpa den funktionen på alla permutationer med två böcker från goodreads-10k-datasetet. I den här övningen testar vi funktionen genom att tillämpa den på de tre mest populära böckerna, som vi använde i tidigare övningar: The Hunger Games, Harry Potter och Twilight.

Funktionen har redan definierats åt dig och är tillgänglig som conviction. Kom ihåg att den tar en antecedent och en konsekvens som sina två argument. Dessutom är kolumnerna från DataFrame:n books från tidigare övningar tillgängliga som tre separata DataFrames: potter, twilight och hunger.

Den här övningen är en del av kursen

Marknadskorgsanalys i Python

Övningsinstruktioner

Beräkna conviction för {Twilight} \(\rightarrow\) {Potter} och {Potter} \(\rightarrow\) {Twilight}.
Beräkna conviction för {Twilight} \(\rightarrow\) {Hunger} och {Hunger} \(\rightarrow\) {Twilight}.
Beräkna conviction för {Potter} \(\rightarrow\) {Hunger} och {Hunger} \(\rightarrow\) {Potter}.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Compute conviction for twilight -> potter and potter -> twilight
convictionTP = conviction(twilight, potter)
convictionPT = conviction(____, twilight)

# Compute conviction for twilight -> hunger and hunger -> twilight
convictionTH = conviction(____, ____)
convictionHT = ____(hunger, twilight)

# Compute conviction for potter -> hunger and hunger -> potter
convictionPH = ____(potter, hunger)
convictionHP = ____

# Print results
print('Harry Potter -> Twilight: ', convictionHT)
print('Twilight -> Potter: ', convictionTP)

Redigera och kör kod

Den här övningen är en del av kursen

Marknadskorgsanalys i Python

SkillTag.level.intermediateSkillTag.label

4.9+

Starta kursen gratis

I det här kapitlet lär du dig grunderna i marknadskorgsanalys: associationsregler, mått och gallring. Sedan tillämpar du dessa begrepp för att hjälpa en liten livsmedelsbutik att förbättra sina kampanjer och sin produktplacering.

Exercise 1: Vad är varukorganalys?Exercise 2: Grunderna i varukorganalys Exercise 3: Korsförsäljning av produkter Exercise 4: Identifiera associationsregler Exercise 5: Flera antecedenter och konsekventer Exercise 6: Förbereda data för varukorgsanalys Exercise 7: Generera associationsregler Exercise 8: Det enklaste måttet Exercise 9: One-hot-enkodning av transaktionsdata Exercise 10: Beräkna supportmåttet

Associationsregler visar att två eller fler varor hänger samman. Mått gör det möjligt att kvantifiera hur användbara dessa samband är. I det här kapitlet tillämpar du sex mått för att utvärdera associationsregler: support, konfidens, lyft, övertygelse, hävstång och Zhangs mått. Sedan använder du associationsregler och mått för att hjälpa ett bibliotek och en e-bokssäljare.

Exercise 1: Konfidens och lift Exercise 2: Rekommendera böcker med support Exercise 3: Förfina support med konfidens Exercise 4: Ytterligare förfining med lift Exercise 5: Hävstång och övertygelse Exercise 6: Lift kontra leverage Exercise 7: Beräkna conviction Exercise 8: Beräkna conviction med en funktion Exercise 9: Marknadsföra e-böcker med conviction

Aktuell övning

Exercise 10: Association och dissociation Exercise 11: Beräkning av association och dissociation Exercise 12: Definiera Zhangs mått Exercise 13: Tillämpa Zhangs metrik Exercise 14: Avancerade regler Exercise 15: Filtrering med support och conviction Exercise 16: Korsmarknadsföring av böcker med filtrering på flera mått

Den grundläggande utmaningen inom marknadskorgsanalys är att omvandla stora mängder kundbeslut till ett litet antal användbara regler. Processen börjar vanligtvis med Apriori-algoritmen och kompletteras med ytterligare strategier som gallring och aggregering. I det här kapitlet lär du dig att använda dessa metoder och tillämpar dem sedan i övningar där du hjälper en återförsäljare att välja butikslayout och planera korsmarknadsföring av produkter.

Exercise 1: Aggregation Exercise 2: Aggregering i praktiken Exercise 3: Definiera en aggregeringsfunktion Exercise 4: Apriori-algoritmen Exercise 5: Beskärning och Apriori Exercise 6: Identifiera frekventa itemsets med Apriori Exercise 7: Välja ett supporttröskelvärde Exercise 8: Grundläggande beskärning av Apriori-resultat Exercise 9: Generera associationsregler Exercise 10: Beskärning med lift Exercise 11: Beskärning med konfidens Exercise 12: Avancerad beskärning av Apriori-resultat Exercise 13: Aggregering och filtrering Exercise 14: Tillämpa Zhangs regel Exercise 15: Avancerad filtrering med flera mått

I det här avslutande kapitlet lär du dig hur visualiseringar används för att vägleda gallringsprocessen och sammanfatta slutresultat, som vanligtvis presenteras i form av varukorgar eller regler. Du behärskar de tre mest användbara visualiseringstyperna – värmekartor, spridningsdiagram och diagram med parallella koordinater – och tillämpar dem för att hjälpa en filmstreamingtjänst.

Exercise 1: Värmekartor Exercise 2: Visualisera stöd för itemsets Exercise 3: Värmekartor med lift Exercise 4: Tolka heatmaps Exercise 5: Spridningsdiagram Exercise 6: Beskärning med spridningsdiagram Exercise 7: Optimalitet hos support-konfidenssgränsen Exercise 8: Parallellkoordinatplot Exercise 9: Visualisera regler med parallella koordinater Exercise 10: Förfina ett parallellkoordinatdiagram Exercise 11: Grattis!