Diễn giải luật

Các luật đã được trích xuất từ bộ dữ liệu Online retail và được lưu dưới tên rules trong không gian làm việc của bạn. Cách diễn giải của luật có support cao nhất là gì? Tỷ lệ khách hàng mua ROSES REGENCY TEACUP AND SAUCER đồng thời cũng mua GREEN REGENCY TEACUP AND SAUCER.

Bài tập này là một phần của khóa học

Phân tích giỏ hàng trong R

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

Phân tích giỏ hàng trong R

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Trong giỏ của bạn có gì? Ở chương đầu tiên này, bạn sẽ học cách dùng phân tích giỏ hàng (MBA) để nhìn vào các giỏ và đào sâu vào các tập mục (itemset) nhằm hiểu khách hàng tốt hơn và dự đoán nhu cầu của họ. Với tidyverse và dplyr, bạn sẽ khám phá có thể tạo ra bao nhiêu giỏ từ một tập mặt hàng cho trước, và hiểu sức mạnh của phân tích giỏ hàng cho mua sắm trực tuyến, mua sắm tại cửa hàng, và các bài toán ngoài lĩnh vực bán lẻ.

Exercise 1: Giới thiệu về market basket Exercise 2: Giỏ hàng và mặt hàng Exercise 3: Một giỏ hàng Exercise 4: Trong giỏ có gì vậy?Exercise 5: Tổ hợp mặt hàng Exercise 6: Số lượng giỏ hàng có thể có Exercise 7: Tập con và siêu tập Exercise 8: Vẽ biểu đồ số giỏ hàng có thể có Exercise 9: Market basket analysis là gì?Exercise 10: Hai giỏ hàng Exercise 11: Nhiều giỏ hàng Exercise 12: Xem các mặt hàng cụ thể

Trong chương này, bạn sẽ chuyển các tập dữ liệu giao dịch sang định dạng giỏ, sẵn sàng để phân tích bằng thuật toán Apriori. Tiếp theo, bạn sẽ được giới thiệu ba chỉ số chính trong phân tích giỏ hàng: support, confidence và lift, trước khi trực tiếp áp dụng thuật toán Apriori để trích xuất luật từ một tập dữ liệu giao dịch. Cuối cùng, bạn sẽ khám phá cách gói arules được dùng trong phân tích giỏ hàng để truy xuất các luật giỏ và giúp bạn tìm ra những luật nhiều thông tin và phù hợp nhất.

Exercise 1: Dữ liệu giao dịch Exercise 2: Chuyển đổi khung dữ liệu online thành dạng giao dịch Exercise 3: Thanh tra bán lẻ Exercise 4: Mật độ của ma trận mặt hàng?Exercise 5: Các chỉ số trong phân tích giỏ hàng Exercise 6: Thước đo support Exercise 7: Độ tin cậy (confidence) và độ nâng (lift)Exercise 8: Thay đổi cách hiển thị luật Exercise 9: Thuật toán Apriori Exercise 10: Nguyên lý Apriori Exercise 11: Cùng “đi chợ” tìm luật Exercise 12: Các tham số của apriori Exercise 13: "Nếu cái này thì cái kia" với apriori Exercise 14: Tùy chỉnh hiển thị Exercise 15: Luật dư thừa Exercise 16: Diễn giải luật

Bài tập hiện tại

Hãy trực quan hóa nào. Trong chương này, bạn sẽ xem trực quan tập luật mà bạn đã trích xuất trước đó. Trực quan hóa trong phân tích giỏ hàng là rất quan trọng vì bạn thường phải xử lý các tập luật lớn. Bạn sẽ dùng gói arulesViz để tạo biểu đồ cột, biểu đồ phân tán và đồ thị nhằm trực quan hóa các tập luật suy ra. Sau đó, bạn sẽ biến các biểu đồ này thành biểu đồ tương tác, giúp bạn đào sâu vào các luật kết hợp đã khai phá một cách dễ dàng hơn.

Exercise 1: Xem trong giỏ có gì nhé Exercise 2: Trong giỏ có gì?Exercise 3: Món nào phổ biến nhất?Exercise 4: Làm cho biểu đồ bắt mắt hơn Exercise 5: Trực quan hóa các chỉ số Exercise 6: Biểu đồ phân tán Exercise 7: Biểu đồ ArulesViz Exercise 8: Làm cho các luật "sống" hơn Exercise 9: Từ các luật đến trực quan hóa dạng đồ thị Exercise 10: Khám phá với biểu đồ đồ thị Exercise 11: Hiểu đồ thị Exercise 12: Tính di động của biểu đồ Exercise 13: Biểu đồ luật thay thế Exercise 14: Trực quan hóa dựa trên ma trận nhóm Exercise 15: Biểu đồ tọa độ song song Exercise 16: Làm chủ RuleExplorer

Cùng đến với điện ảnh. Ở chương cuối, bạn sẽ áp dụng mọi thứ đã học khi làm việc với một tập dữ liệu phim. Bằng phân tích giỏ hàng, bạn sẽ biến tập dữ liệu này thành một hệ thống gợi ý phim, tận dụng thông tin từ các giao dịch xem phim để hiểu và dự đoán người xem có thể muốn xem gì tiếp theo.

Exercise 1: Ôn tập về giao dịch Exercise 2: Làm quen với bộ dữ liệu MovieLens Exercise 3: Giao dịch phim Exercise 4: Biểu đồ tần suất Exercise 5: Khai thác luật kết hợp Exercise 6: Mức độ phổ biến của phim Exercise 7: Chọn tham số phim phù hợp Exercise 8: Trích xuất luật phim Exercise 9: Trực quan hóa giao dịch và luật Exercise 10: Pulp Fiction ở đâu?Exercise 11: Trực quan hóa luật phim Exercise 12: Những bộ phim yêu thích của chúng ta dưới dạng đồ thị Exercise 13: Tối ưu hóa giá trị từ phân tích giỏ hàng Exercise 14: Điều gì đã ảnh hưởng đến Pulp Fiction?Exercise 15: Pulp Fiction đã ảnh hưởng đến những phim nào?Exercise 16: Vận dụng kỹ năng market basket của bạn!