在影片中,我們介紹了 Apriori 演算法,並利用 Apriori 原則來修剪項目集。Apriori 原則告訴我們:頻繁項目集的子集也會是頻繁的。因此,若我們找到一個不頻繁的項目集(記為 {X}),那麼 {X, Y} 也必定是不頻繁的,所以可以在不計算其支持度的情況下將其刪除。
在這個練習中,你會拿到一些項目集,以及其子集頻繁與否的資訊。你需要判斷:這些資訊是否足夠用來修剪該項目集,或是仍需計算其支持度。
本練習屬於課程
將理論付諸實踐,立即體驗我們的互動練習
在本章中,你將學習 Market Basket Analysis 的基礎:關聯規則、指標與修剪。接著你會套用這些概念,協助一家小型雜貨店改進促銷與商品陳列。
關聯規則告訴我們兩個或多個品項之間存在關聯。指標則讓我們能量化這些關係的實用性。在本章中,你將運用六個指標來評估關聯規則:供給(support)、信賴度(confidence)、提升度(lift)、信服度(conviction)、槓桿(leverage),以及 Zhang 指標。接著你會使用關聯規則與指標來協助一間圖書館與一家電子書商。
Market Basket Analysis 的根本問題,是如何把大量的顧客決策轉化為少量且有用的規則。這個流程通常從套用 Apriori 演算法開始,並結合其他策略,例如修剪與彙總。在本章中,你將學會如何使用這些方法,並最終在練習中加以應用,協助零售商規劃實體門市的動線配置與執行產品交叉促銷。
當前練習
在最後一章中,你將學會如何用視覺化來引導修剪流程,並彙整最終結果,通常以項目集或規則的形式呈現。你將掌握三種最實用的視覺化——熱圖、散佈圖,以及平行座標圖——並把它們應用在協助影音串流服務上。