Kuralların yorumlanması

Online perakende veri kümesinden kurallar çıkarıldı ve çalışma alanında rules olarak saklandı. En yüksek support değerine sahip kuralın yorumu nedir? ROSES REGENCY TEACUP AND SAUCER satın alan müşterilerin yüzde kaçı GREEN REGENCY TEACUP AND SAUCERı da satın aldı?

Bu egzersiz, kursun bir parçasıdır

R ile Pazar Sepeti Analizi

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

R ile Pazar Sepeti Analizi

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başla

Sepetinde neler var? Bu ilk bölümde, pazar sepeti analizi (MBA) ile sepetlerin içine nasıl bakılacağını ve öğe kümelerine dalarak müşterileri daha iyi anlamak ve ihtiyaçlarını öngörmek için nasıl kullanılacağını öğreneceksin. tidyverse ve dplyr kullanarak, verilen bir öğe kümesinden kaç farklı sepet oluşturulabileceğini keşfedecek ve pazar sepeti analizinin çevrimiçi alışverişte, fiziksel mağaza alışverişinde ve perakende dışı kullanım alanlarında sunduğu gücü öğreneceksin.

Exercise 1: Market basket’a giriş Exercise 2: Sepetler ve öğeler Exercise 3: Tek sepet Exercise 4: Sepette neler var?Exercise 5: Öğe kombinasyonları Exercise 6: Olası sepet sayısı Exercise 7: Alt kümeler ve üst kümeler Exercise 8: Olası sepet sayısını görselleştir Exercise 9: Market basket analizi nedir?Exercise 10: İki sepet Exercise 11: Birden çok sepet Exercise 12: Belirli ürünlere bakmak

Bu bölümde, işlemsel veri kümelerini Apriori algoritmasıyla analiz etmeye hazır, sepet formatına dönüştüreceksin. Ardından pazar sepeti analizinin üç temel metriğiyle tanışacaksın: destek (support), güven (confidence) ve kaldırma (lift). Sonrasında Apriori algoritmasını bizzat uygulayarak işlemsel bir veri kümesinden kurallar çıkaracaksın. Son olarak, arules paketinin pazar sepeti analizinde sepet kurallarını elde etmek ve en bilgilendirici, en ilgili kuralları bulmana yardımcı olmak için nasıl kullanıldığını keşfedeceksin.

Exercise 1: İşlemsel veriler Exercise 2: Çevrimiçi veri çerçevesini işlemselleştirme Exercise 3: Perakende müfettişi Exercise 4: Öğe matrisinin yoğunluğu?Exercise 5: Pazar sepeti analizinde metrikler Exercise 6: Destek (support) ölçütü Exercise 7: Güven ve lift ölçüleri Exercise 8: Kuralların görünümünü değiştirme Exercise 9: Apriori algoritması Exercise 10: Apriori ilkesi Exercise 11: Haydi, kurallar için alışverişe çıkalım Exercise 12: apriori parametreleri Exercise 13: Apriori ile “Eğer bu ise şu”Exercise 14: Görünümle oynamak Exercise 15: Gereksiz kurallar Exercise 16: Kuralların yorumlanması

Geçerli egzersiz

Haydi görselleştirelim. Bu bölümde, daha önce çıkardığın kural kümesini görsel olarak inceleyeceksin. Pazar sepeti analizinde görselleştirmeler çok önemlidir; çünkü çoğu zaman büyük kural kümeleriyle çalışırsın. arulesViz paketini kullanarak kural kümelerini görselleştirmek için çubuk grafikler, saçılım grafikleri ve grafik diyagramları oluşturacaksın. Ardından bu grafikleri etkileşimli hale getirerek, çıkarılan birliktelik kurallarını derinlemesine incelemeyi kolaylaştıracaksın.

Exercise 1: Sepette neler var, bir bakalım Exercise 2: Sepette neler var?Exercise 3: En popüler hangisi?Exercise 4: Görselleri bir seviye yükseltmek Exercise 5: Metrikleri görselleştirme Exercise 6: Saçılım grafikleri Exercise 7: ArulesViz grafikleri Exercise 8: Kuralları canlandırmak Exercise 9: Kurallardan grafik tabanlı görselleştirmelere Exercise 10: Grafiklerle oyna Exercise 11: Grafiği anlamak Exercise 12: Grafiğinin taşınabilirliği Exercise 13: Alternatif kural grafikleri Exercise 14: Grup matris tabanlı görselleştirmeler Exercise 15: Paralel koordinat grafikleri Exercise 16: RuleExplorer’ı Ustalaştırma

Sinemaya gidiyoruz. Bu son bölümde, bir film veri kümesiyle çalışarak öğrendiklerinin tamamını uygulayacaksın. Pazar sepeti analizini kullanarak bu veri kümesini bir film öneri sistemine dönüştürecek, film işlemlerinden gelen bilgilerle kitlenin sırada ne izlemek isteyebileceğini anlamaya ve tahmin etmeye çalışacaksın.

Exercise 1: İşlemlere kısa bir özet Exercise 2: MovieLens veri kümesiyle tanışma Exercise 3: Film işlemleri Exercise 4: Frekans grafikleri Exercise 5: İlişkilendirme kurallarını çıkarma Exercise 6: Filmlerin popülerliği Exercise 7: Doğru film parametrelerini seçmek Exercise 8: Film kurallarının çıkarılması Exercise 9: İşlemleri ve kuralları görselleştirme Exercise 10: Pulp Fiction nerede?Exercise 11: Film kurallarını görselleştirme Exercise 12: Favori filmlerimizi bir grafik olarak Exercise 13: Market basket analizinden en iyi şekilde yararlanmak Exercise 14: Pulp Fiction’ı ne etkiledi?Exercise 15: Pulp Fiction neyi etkiledi?Exercise 16: Market basket becerilerini kullan!