Bemästra RuleExplorer

Hur många regler uppfyller följande villkor i Shiny-appen kopplad till rules_online: minsta support 0.01, minsta konfidensgrad 0.9 och lift på minst 70?

Den här övningen är en del av kursen

Kundkorgsanalys i R

Visa kurs

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

Kundkorgsanalys i R

SkillTag.level.intermediateSkillTag.label

4.8+

95 reviews

Starta kursen gratis

Vad finns i din korg? I det här första kapitlet lär du dig hur kundkorgsanalys (MBA) kan användas för att undersöka korgar och utforska artikeluppsättningar för att bättre förstå kunder och förutse deras behov. Med tidyverse och dplyr upptäcker du hur många korgar som kan skapas från en given uppsättning artiklar, och du lär dig hur kraftfull kundkorgsanalys är för e-handel, fysisk handel och användningsområden bortom detaljhandeln.

Exercise 1: Introduktion till kundkorgsanalys Exercise 2: Korgar och varor Exercise 3: En enskild varukorg Exercise 4: Vad finns i korgen?Exercise 5: Kombinationer av varor Exercise 6: Antal möjliga korgar Exercise 7: Delmängder och supermängder Exercise 8: Plotta antal möjliga korgar Exercise 9: Vad är marknadskorganalys?Exercise 10: Två korgar Exercise 11: Flera varukorgar Exercise 12: Titta på specifika artiklar

I det här kapitlet omvandlar du transaktionsdataset till ett korgsformat som är redo för analys med Apriori-algoritmen. Sedan introduceras du till de tre huvudsakliga måtten inom kundkorgsanalys: support, konfidens och lift, innan du själv arbetar med Apriori-algoritmen för att utvinna regler från ett transaktionsdataset. Avslutningsvis utforskar du hur paketet arules används för kundkorgsanalys för att hämta korgregler och hitta de mest informativa och relevanta reglerna.

Exercise 1: Transaktionsdata Exercise 2: Transaktionalisera onlinedataramen Exercise 3: Inspektören på jobbet Exercise 4: Hur tät är objektmatrisen?Exercise 5: Mätvärden inom marknadskorgsanalys Exercise 6: Supportmåttet Exercise 7: Konfidensens och liftens mått Exercise 8: Ändra regelns utseende Exercise 9: Apriori-algoritmen Exercise 10: Apriori-principen Exercise 11: Dags att handla regler Exercise 12: Parametrar för apriori Exercise 13: "Om detta, då det" med apriori Exercise 14: Justera utseendet Exercise 15: Redundanta regler Exercise 16: Tolkning av regler

Nu visualiserar vi. I det här kapitlet granskar du visuellt den uppsättning regler du tidigare har extraherat. Visualiseringar är viktiga inom kundkorgsanalys, eftersom du ofta arbetar med stora mängder utvunna regler. Du använder paketet arulesViz för att skapa stapeldiagram, spridningsdiagram och grafer för att visualisera dina infererade regeluppsättningar. Sedan omvandlar du statiska diagram till interaktiva, vilket gör det enklare att fördjupa sig i de utvunna associationsreglerna.

Exercise 1: Låt oss se vad som finns i korgen Exercise 2: Vad finns i korgen?Exercise 3: Vad är mest populärt?Exercise 4: Gör visualiseringarna mer tilltalande Exercise 5: Visualisera mätvärden Exercise 6: Spridningsdiagram Exercise 7: ArulesViz-diagram Exercise 8: Ge reglerna liv Exercise 9: Från regler till grafbaserade visualiseringar Exercise 10: Utforska grafer Exercise 11: Förstå grafen Exercise 12: Spara och dela ditt diagram Exercise 13: Alternativa regeldiagram Exercise 14: Gruppmatrisbaserade visualiseringar Exercise 15: Parallellkoordinatdiagram Exercise 16: Bemästra RuleExplorer

Aktuell övning

Nu går vi på bio. I det här sista kapitlet tillämpar du allt du har lärt dig när du arbetar med ett filmdataset. Med hjälp av kundkorgsanalys omvandlar du datasetet till ett filmrekommendationssystem, där du använder information från filmtransaktioner för att förstå och förutsäga vad din publik kanske vill se härnäst.

Exercise 1: Sammanfattning av transaktioner Exercise 2: Bekanta dig med MovieLens-datasetet Exercise 3: Filmtransaktioner Exercise 4: Frekvensdiagram Exercise 5: Bryt ut associationsregler Exercise 6: Filmers popularitet Exercise 7: Välj rätt filmparametrar Exercise 8: Extrahera filmregler Exercise 9: Visualisering av transaktioner och regler Exercise 10: Var finns Pulp Fiction?Exercise 11: Visualisera filmregler Exercise 12: Våra favoritfilmer som ett graf Exercise 13: Få ut mesta möjliga av markorgskorgsanalys Exercise 14: Vad påverkade Pulp Fiction?Exercise 15: Vad påverkade Pulp Fiction?Exercise 16: Använd dina kunskaper om marknadskorgsanalys!