Temel Apriori sonuçlarını budama

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Bu egzersiz, kursun bir parçasıdır

Python ile Market Basket Analysis

IntermediárioNível de habilidade

4.9+

269 reviews

Kursa Ücretsiz Başla

Bu bölümde Market Basket Analysis'ın temellerini öğreneceksin: ilişkilendirme kuralları, metrikler ve budama. Sonrasında bu kavramları küçük bir bakkalın promosyon ve ürün yerleştirme çalışmalarını geliştirmesine yardımcı olmak için uygulayacaksın.

Exercise 1: Market basket analizi nedir?Exercise 2: Market basket analizinin temelleri Exercise 3: Çapraz satış ürünleri Exercise 4: İlişkilendirme kurallarını belirleme Exercise 5: Birden çok öncül ve sonuç Exercise 6: Market basket analizi için verileri hazırlama Exercise 7: Birliktelik kuralları oluşturma Exercise 8: En basit ölçüt Exercise 9: İşlem verisini one-hot kodlama Exercise 10: Destek metriğini hesaplama

İlişkilendirme kuralları, iki ya da daha fazla öğenin ilişkili olduğunu söyler. Metrikler bu ilişkilerin ne kadar faydalı olduğunu sayısallaştırmamıza olanak tanır. Bu bölümde, ilişkilendirme kurallarını değerlendirmek için altı metriği uygulayacaksın: destek, güven, lift, conviction, leverage ve Zhang metriği. Ardından bir kütüphaneye ve bir e-kitap satıcısına yardımcı olmak için ilişkilendirme kuralları ve metrikleri kullanacaksın.

Exercise 1: Güven ve kaldıraç Exercise 2: Desteğe göre kitap önermek Exercise 3: Güven ile desteği iyileştirmek Exercise 4: Lift ile daha ileri iyileştirme Exercise 5: Kaldıraç ve inanç (conviction)Exercise 6: Lift ve leverage Exercise 7: Conviction hesaplama Exercise 8: Bir fonksiyonla conviction hesaplama Exercise 9: Conviction ile e-kitapları öne çıkarma Exercise 10: İlişkilendirme ve ilişkiyi kesme Exercise 11: İlişki ve ilişkisizliği hesaplama Exercise 12: Zhang ölçütünü tanımlama Exercise 13: Zhang ölçütünü uygulama Exercise 14: İleri düzey kurallar Exercise 15: Destek ve conviction ile filtreleme Exercise 16: Çapraz tanıtım için çok metrikli filtreleme kullanma

Market Basket Analysis'ın temel sorunu, çok sayıda müşteri kararını az sayıda faydalı kurala nasıl dönüştüreceğini belirlemektir. Bu süreç genellikle Apriori algoritmasının uygulanmasıyla başlar ve budama ile toplulaştırma gibi ek stratejilerin kullanımını içerir. Bu bölümde bu yöntemleri nasıl kullanacağını öğrenecek ve sonunda bir perakendeciye fiziksel mağaza yerleşimi seçimi ve ürün çapraz promosyonları yapma konularında yardımcı olduğun egzersizlerde uygulayacaksın.

Exercise 1: Toplama Exercise 2: Toplama (aggregation) uygulama Exercise 3: Bir toplulaştırma (aggregation) fonksiyonu tanımlama Exercise 4: Apriori algoritması Exercise 5: Budama ve Apriori Exercise 6: Apriori ile sık öğe kümelerini belirleme Exercise 7: Destek eşiği seçme Exercise 8: Temel Apriori sonuçlarını budama

Geçerli egzersiz

Exercise 9: İlişkilendirme kuralları oluşturma Exercise 10: Lift ile budama Exercise 11: Güven ile budama Exercise 12: Gelişmiş Apriori sonuç budaması Exercise 13: Toplama ve filtreleme Exercise 14: Zhang kuralını uygulama Exercise 15: Birden çok metrikle gelişmiş filtreleme

Bu son bölümde, görselleştirmelerin budama sürecini yönlendirmek ve nihai sonuçları özetlemek için nasıl kullanıldığını öğreneceksin; bu sonuçlar genellikle öğe kümeleri veya kurallar biçiminde olacaktır. En kullanışlı üç görselleştirmeyi — ısı haritaları, saçılım grafikleri ve paralel koordinatlar grafiklerini — ustalıkla kullanacak ve bunları bir film yayın hizmetine yardımcı olmak için uygulayacaksın.

Exercise 1: Isı haritaları Exercise 2: Öğe kümesi desteğini görselleştirme Exercise 3: Lift ile ısı haritaları Exercise 4: Isı haritalarını yorumlama Exercise 5: Saçılım grafikleri Exercise 6: Saçılım grafikleriyle budama Exercise 7: Destek-güven sınırının optimalitesi Exercise 8: Paralel koordinatlar grafiği Exercise 9: Kuralları görselleştirmek için paralel koordinatlar kullanma Exercise 10: Paralel koordinatlar grafiğini iyileştirme Exercise 11: Tebrikler!