در مقاله قبلی درباره الگوریتم FP-Growth صحبت کردیم در این مقاله می خواهیم بر اساس یک دیتاست واقعی با ۱۹ هزار رکورد مشتری و ۸۰۰ هزاررکورد فروش رابطه بین خرید محصولات توسط مشتری را با پایتون پیاده سازی کنیم و در انتها داده ها را نیز بصری کنیم همچنین می توانید دیتاست و اسکریپت پایتون را دانلود کنید و در انتها به آموزش قطعات کد پایتون و الگوریتم FP-Growthخواهیم پرداخت .
در تحلیل داده‌های تراکنش، هدف این است که مجموعه‌های کالایی که به‌طور مکرر در تراکنش‌ها با هم خریداری می‌شوند، شناسایی شوند. این فرآیند به‌عنوان “استخراج الگوهای فراوان” شناخته می‌شود. الگوریتم FP-Growth یک روش کارآمد برای پیدا کردن این مجموعه‌ها است و برخلاف الگوریتم Apriori نیازی به انجام بررسی‌های متعدد بر روی همه مجموعه‌های ممکن ندارد.
در مقاله قبلی درباره الگوریتم Apriori صحبت کردیم در این مقاله می خواهیم بر اساس یک دیتاست واقعی با ۱۹ هزار رکورد مشتری و ۸۰۰ هزاررکورد فروش رابطه بین خرید محصولات توسط مشتری را با پایتون پیاده سازی کنیم و در انتها داده ها را نیز بصری کنیم همچنین می توانید دیتاست و اسکریپت پایتون را دانلود کنید و در انتها به آموزش قطعات کد پایتون و Apriori خواهیم پرداخت .
بعد از معرفی الگوریتم Apriori و بررسی یک دیتاست تستی ، در این مقاله می خواهم نمایش بین رابطه های خرید مشتریان را بصری کنیم از نمودارهای مختلفی همچون Graph ،Scatter Chart و Bar Chart بهره خواهیم برد و در انتها رابطه بین خرید های کاربر و وزنی که شدت خرید را مشخص می کند را بررسی خواهیم کرد (lift-confidence-support) . در ابتدا قطعه کد آن را با پایتون می نویسیم ، سپس کد را تشریح می کنیم و در انتها خروجی داده ها را بصری می کنیم.
Association Rule Mining (ARM) یکی از تکنیک‌های داده‌کاوی است که برای شناسایی روابط یا الگوهای معنادار بین متغیرها در داده‌ها مورد استفاده قرار می‌گیرد. این روش معمولاً در تجزیه و تحلیل داده‌های بزرگ، به‌ویژه در بازار یابی، خرید و فروش، و تحلیل سبد خرید مشتریان استفاده می‌شود.
یک روش دیگر برای شناسایی داده‌های پرت، استفاده از روش کلاسترده‌ای (Clustering) مانند K-Means یا DBSCAN است. در این روش، ابتدا داده‌ها را به خوشه‌های مختلف تقسیم می‌کنیم و سپس نقاطی که به هیچ خوشه‌ای تعلق ندارند یا از بقیه نقاط در خوشه فاصله زیادی دارند را به عنوان داده‌های پرت شناسایی می‌کنیم.
یک روش دیگر برای شناسایی داده‌های پرت، استفاده از رگرسیون یا مدل‌های یادگیری ماشین است. در این روش می‌توانیم با استفاده از مدل‌های آماری یا الگوریتم‌هایی مانند جنگل تصادفی (Random Forest)، جنگل ایزوله (Isolation Forest) یا ماشین بردار پشتیبان برای تشخیص موارد پرت (One-Class SVM) داده‌های پرت را شناسایی کنیم. این روش‌ها به خصوص برای مجموعه داده‌های چند بعدی کاربرد زیادی دارند.
کتابخانه (scikit-learn )به اختصار (sklearn)یکی از محبوب‌ترین و قدرتمندترین کتابخانه‌ها برای یادگیری ماشین در زبان پایتون است. این کتابخانه ابزارهای جامعی برای ساخت، آموزش، ارزیابی و استفاده از مدل‌های یادگیری ماشین فراهم می‌کند و از قابلیت‌های متعددی برای پردازش داده، تحلیل، و انجام پیش‌بینی برخوردار است.
شرکت فن آوران پیروز رایمند (رایپیتک) با ترکیبی از متخصص و مجربین در رشته های مهندسی سیستم، آمار ، مهندسی نرم افزار، مالی و… به ارائه خدمات در حوزه هوش تجاری در زمینه های گوناگون از جمله مشاوره و ارائه راه حل های نرم افزاری ، سامانه های سفارشی هوش تجاری ، طراحی داشبورد های مدیریتی ، طراحی انباره داده ، تحلیل بیزینس و تهیه سندهای استاندارد شناسنامه شاخص ، ارزیابی عملکرد، داده کاوی ، پیاده سازی پروژه های علم داده و… به شرکتها و سازمانها می کند.
