Uit de cursus: Basisbeginselen van data science: datamining
Krijg toegang tot deze cursus met een gratis proefabonnement
Word vandaag lid en krijg toegang tot meer dan 23.400 cursussen geleid door branchedeskundigen.
Gegevens voor associatieanalyse
Uit de cursus: Basisbeginselen van data science: datamining
Gegevens voor associatieanalyse
- [Voice-over] Wanneer u een associatieanalyse uitvoert, hebt u de keuze uit een vrij breed scala aan algoritmen die u kunt gebruiken. En het doel van al deze algoritmen is om je te helpen itemsets te vinden, dingen die vaak in manden voorkomen, en om de regels te genereren die kunnen worden gebruikt om de dingen die in die manden gaan te voorspellen op basis van andere dingen. Nu, van de algoritmen die beschikbaar zijn, is waarschijnlijk de meest voorkomende Apriori. Een andere veel voorkomende is Eclat, wat staat voor equivalentieklassetransformaties. Er is ook FP-groei. Dat staat voor frequente patroongroei. Er is RElim, voor recursieve eliminatie. SaM, voor splitsen en samenvoegen. En JIM, voor Jaccard Itemset Mining. Sommige van deze vinden alleen itemsets, ze doen niet de stap voor het genereren van regels, en dus zou je daar een andere voor moeten gebruiken, maar ik ga je degenen laten zien die het allemaal doen. Waarschijnlijk de meest voorkomende is Apriori. Wat Apriori…
Oefen terwijl u leert met oefenbestanden
Download de bestanden die de cursusleider gebruikt tijdens de cursus. Volg de stappen en leer door te kijken, te luisteren en te oefenen.
Inhoud
-
-
-
-
-
-
-
-
(vergrendeld)
Doelstellingen voor associatieanalyse6 m 57 s
-
(vergrendeld)
Gegevens voor associatieanalyse4 m 6 s
-
(vergrendeld)
Associatieanalyse in R7 m 21 s
-
(vergrendeld)
Associatieanalyse in Python2 m 40 s
-
(vergrendeld)
Associatieanalyse in Orange5 m 24 s
-
(vergrendeld)
Associatieanalyse in RapidMiner6 m 15 s
-
(vergrendeld)
-
-
-
-