Flera antecedenter och konsekventer

Marknadskorgsanalys bygger på associationsregler – if-then-satser om sambandet mellan två uppsättningar varor. Regeln {coffee} \(\rightarrow\) {milk} läses till exempel som "om kaffe, då mjölk", där kaffe är antecedenten och mjölk är konsekventen. Många regler har flera antecedenter och konsekventer. I den här övningen undersöker vi sådana regler.

Den här övningen är en del av kursen

Marknadskorgsanalys i Python

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

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

Aktuell övning

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 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!