Достовірність (confidence) і підсилення (lift)

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.

Ця вправа є частиною курсу

Маркет-баcкет аналіз у Python

SkillTag.level.intermediateSkillTag.label

4.9+

Почніть курс безкоштовно

У цьому розділі ви вивчите основи Market Basket Analysis: правила асоціацій, метрики та проріджування. Потім застосуєте ці концепції, щоб допомогти невеликому продуктовому магазину покращити промоакції та викладку товарів.

Exercise 1: Що таке market basket analysis?Exercise 2: Основи market basket analysis Exercise 3: Кроспродаж товарів Exercise 4: Визначення правил асоціацій Exercise 5: Кілька антецедентів і консеквентів Exercise 6: Підготовка даних для market basket analysis Exercise 7: Генерування асоціативних правил Exercise 8: Найпростіша метрика Exercise 9: One-hot кодування даних транзакцій Exercise 10: Обчислення метрики support

Правила асоціацій показують, що два чи більше товари пов'язані. Метрики дають змогу кількісно оцінити корисність цих зв'язків. У цьому розділі ви застосуєте шість метрик для оцінки правил асоціацій: support, confidence, lift, conviction, leverage і метрику Чжана. Далі ви використаєте правила асоціацій і метрики, щоб допомогти бібліотеці та продавцю електронних книжок.

Exercise 1: Достовірність (confidence) і підсилення (lift)

Поточна вправа

Exercise 2: Рекомендації книжок за підтримкою Exercise 3: Уточнення підтримки за допомогою впевненості Exercise 4: Додаткове уточнення за допомогою lift Exercise 5: Леверидж і conviction Exercise 6: Lift проти leverage Exercise 7: Обчислення conviction Exercise 8: Обчислення conviction за допомогою функції Exercise 9: Просування електронних книжок за метрикою conviction Exercise 10: Асоціація та дисоціація Exercise 11: Обчислення асоціації та дисоціації Exercise 12: Визначення метрики Чжана Exercise 13: Застосування метрики Чжана Exercise 14: Просунуті правила Exercise 15: Фільтрування за support і conviction Exercise 16: Багатометричне фільтрування для крос-промоції книжок

Ключова проблема Market Basket Analysis — перетворити величезну кількість клієнтських рішень на небагато корисних правил. Зазвичай процес починається із застосування алгоритму Apriori та включає додаткові стратегії, зокрема проріджування й агрегацію. У цьому розділі ви навчитеся користуватися цими методами та зрештою застосуєте їх у вправах, де допомагатимете ритейлеру обрати план магазину та виконати крос-промо товарів.

Exercise 1: Агрегація Exercise 2: Агрегування даних Exercise 3: Визначення функції агрегації Exercise 4: Алгоритм Apriori Exercise 5: Обрізання (pruning) і Apriori Exercise 6: Визначення частих наборів товарів за Apriori Exercise 7: Вибір порога підтримки Exercise 8: Базове обрізання результатів Apriori Exercise 9: Генерування правил асоціацій Exercise 10: Обрізання за метрикою lift Exercise 11: Обрізання за показником confidence Exercise 12: Просунуте обрізання результатів Apriori Exercise 13: Агрегація та фільтрування Exercise 14: Застосування правила Чжана Exercise 15: Розширене фільтрування за кількома метриками

У фінальному розділі ви дізнаєтеся, як візуалізації допомагають керувати процесом проріджування та підсумовувати результати, які зазвичай мають вигляд наборів товарів або правил. Ви опanuєте три найкорисніші візуалізації — теплові карти, точкові діаграми та графіки паралельних координат — і застосуєте їх, щоб допомогти сервісу потокового кіно.

Exercise 1: Теплові карти Exercise 2: Візуалізація підтримки наборів товарів Exercise 3: Теплокарти з показником lift Exercise 4: Інтерпретація теплових карт Exercise 5: Точкові діаграми (scatterplots)Exercise 6: Обрізання за допомогою діаграм розсіювання Exercise 7: Оптимальність межі підтримка–довіра Exercise 8: Графік паралельних координат Exercise 9: Використання паралельних координат для візуалізації правил Exercise 10: Удосконалення графіка паралельних координат Exercise 11: Вітаємо!