请在与 rules_online 关联的 Shiny 应用中探索：满足以下条件的规则有多少条？最小支持度为 0.01，最小置信度为 0.9，且提升度至少为 70。
rules_online
0.01
0.9
70
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
您的篮子里有什么？在本章中，您将学习如何使用购物篮分析（MBA）来观察购物篮并深入挖掘项集，更好地理解客户并预测其需求。借助 tidyverse 和 dplyr，您将了解从给定商品集合可以构造出多少个购物篮，并体会购物篮分析在在线购物、线下购物以及零售以外场景中的价值。
本章中，您将把交易型数据集转换为适合分析的篮子格式，以便使用 Apriori 算法。随后会介绍购物篮分析的三大核心指标：support、confidence 和 lift。接着，您将亲手使用 Apriori 算法从交易数据集中抽取规则。最后，您将探索如何使用 arules 包来进行购物篮分析，以检索篮子规则，并帮助您找到最具信息量且最相关的规则。
让我们进入可视化环节。本章中，您将对之前挖掘得到的规则集进行可视检查。在购物篮分析中，由于常常需要处理规模庞大的规则集，可视化至关重要。您将使用 arulesViz 包创建条形图、散点图和图结构来展示推断出的规则集。随后，您会将这些图表制作为交互式图表，便于进一步钻取已挖掘的关联规则。
当前练习
一起走进电影场景。在最后一章中，您将把所学全部应用到一个电影数据集上。利用购物篮分析，您会将该数据集转化为电影推荐系统，基于电影交易信息来理解并预测您的受众接下来可能想看的影片。
