Biểu đồ tọa độ song song

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.

Bài tập này là một phần của khóa học

Phân tích giỏ hàng trong Python

SkillTag.level.intermediateSkillTag.label

4.9+

269 reviews

Bắt đầu khóa học miễn phí

Trong chương này, bạn sẽ học những kiến thức nền tảng về Phân tích giỏ hàng: luật kết hợp, các chỉ số, và cắt tỉa. Sau đó, bạn sẽ áp dụng các khái niệm này để giúp một cửa hàng tạp hóa nhỏ cải thiện hoạt động khuyến mãi và sắp xếp sản phẩm.

Exercise 1: Market basket analysis là gì?Exercise 2: Những điều cơ bản về market basket analysis Exercise 3: Bán chéo sản phẩm Exercise 4: Nhận diện luật kết hợp Exercise 5: Nhiều tiền đề và nhiều hệ quả Exercise 6: Chuẩn bị dữ liệu cho phân tích giỏ hàng (market basket analysis)Exercise 7: Tạo luật kết hợp Exercise 8: Thước đo đơn giản nhất Exercise 9: One-hot encode dữ liệu giao dịch Exercise 10: Tính chỉ số support

Luật kết hợp cho biết hai hay nhiều mặt hàng có liên quan với nhau. Các chỉ số giúp chúng ta định lượng mức độ hữu ích của các mối quan hệ đó. Trong chương này, bạn sẽ áp dụng sáu chỉ số để đánh giá luật kết hợp: supply, confidence, lift, conviction, leverage và chỉ số của Zhang. Tiếp đó, bạn sẽ sử dụng luật kết hợp và các chỉ số để hỗ trợ một thư viện và một nhà bán e-book.

Exercise 1: Độ tin cậy và lift Exercise 2: Gợi ý sách dựa trên support Exercise 3: Tinh chỉnh support với confidence Exercise 4: Tinh chỉnh sâu hơn với lift Exercise 5: Leverage và conviction Exercise 6: Lift và leverage Exercise 7: Tính conviction Exercise 8: Tính conviction bằng một hàm Exercise 9: Quảng bá ebooks bằng conviction Exercise 10: Liên kết và giải liên kết Exercise 11: Tính liên kết và phản liên kết Exercise 12: Định nghĩa thước đo Zhang Exercise 13: Áp dụng chỉ số của Zhang Exercise 14: Quy tắc nâng cao Exercise 15: Lọc theo support và conviction Exercise 16: Dùng lọc đa chỉ số để quảng bá chéo sách

Bài toán cốt lõi của Phân tích giỏ hàng là làm sao chuyển một lượng lớn quyết định của khách hàng thành một số ít các quy tắc hữu ích. Quy trình này thường bắt đầu với việc áp dụng thuật toán Apriori và sử dụng thêm các chiến lược như cắt tỉa (pruning) và tổng hợp (aggregation). Trong chương này, bạn sẽ học cách dùng các phương pháp đó và cuối cùng áp dụng chúng trong bài tập hỗ trợ một nhà bán lẻ thiết kế bố cục cửa hàng và triển khai khuyến mãi chéo sản phẩm.

Exercise 1: Tổng hợp Exercise 2: Thực hiện phép tổng hợp (aggregation)Exercise 3: Định nghĩa một hàm gộp (aggregation)Exercise 4: Thuật toán Apriori Exercise 5: Cắt tỉa và Apriori Exercise 6: Xác định các tập mục phổ biến với Apriori Exercise 7: Chọn ngưỡng support Exercise 8: Cắt tỉa kết quả Apriori cơ bản Exercise 9: Tạo luật kết hợp Exercise 10: Cắt tỉa với lift Exercise 11: Pruning bằng confidence Exercise 12: Cắt tỉa kết quả Apriori nâng cao Exercise 13: Tổng hợp và lọc Exercise 14: Áp dụng quy tắc của Zhang Exercise 15: Lọc nâng cao với nhiều chỉ số

Ở chương cuối, bạn sẽ học cách sử dụng trực quan hóa để định hướng quá trình cắt tỉa và tóm tắt kết quả cuối cùng, thường ở dạng tập mục (itemset) hoặc luật. Bạn sẽ thành thạo ba loại trực quan hóa hữu ích nhất — heatmap, scatterplot và biểu đồ tọa độ song song — và áp dụng chúng để hỗ trợ một dịch vụ phát trực tuyến phim.

Exercise 1: Heatmap Exercise 2: Trực quan hóa độ hỗ trợ của các tập mục Exercise 3: Heatmap với lift Exercise 4: Diễn giải heatmap Exercise 5: Biểu đồ phân tán Exercise 6: Cắt tỉa với biểu đồ phân tán Exercise 7: Tính tối ưu của biên hỗ trợ–độ tin cậy Exercise 8: Biểu đồ tọa độ song song

Bài tập hiện tại

Exercise 9: Dùng parallel coordinates để trực quan hóa các luật Exercise 10: Tinh chỉnh biểu đồ tọa độ song song Exercise 11: Chúc mừng bạn!