📚 购物篮分析 · 30章

✨ 关联规则挖掘实战

01

购物篮分析概述啤酒与尿布 · 应用场景与商业价值

02

核心概念精讲支持度 · 置信度 · 提升度

03

关联规则的类型强/弱规则 · 正负相关 · 无效规则

04

Apriori算法原理 (上) 频繁项集 · 先验性质 · 核心思想

05

Apriori算法原理 (下) 连接步与剪枝步 · 候选集生成 · 伪代码

06

Apriori算法实战 (Python) mlxtend · 生成频繁项集

07

关联规则生成提取规则 · 最小置信度 · 规则评估

08

FP-Growth算法原理 FP树 · vs Apriori · 优势与场景

09

FP-Growth实战 (Python) pyfpgrowth库实现

10

规则评估指标深入杠杆率 · 确信度 · Jaccard系数

11

数据预处理实战 (上) 长表转宽表 · One-Hot · 数据清洗

12

数据预处理实战 (下) 商品层级合并 · 异常值 · 缺失值填充

13

参数调优与阈值选择最小支持度/置信度 · 敏感性分析

14

结果可视化 (上) 频繁项集柱状图 · 规则散点图

15

结果可视化 (下) 网络图 · 平行坐标 · 热力图

16

案例实战1：超市零售完整流程 → 数据加载至业务建议

17

案例实战2：电商订单用户购买行为模式挖掘

18

案例实战3：医疗处方药物组合副作用预警

19

序列模式挖掘入门 GSP · PrefixSpan · 与关联规则区别

20

时间序列关联规则时间窗口 · 时序规则挖掘

21

负关联规则挖掘负相关商品 · mining negative rules

22

多层级关联规则商品分类层级 · MLT2L算法

23

增量式关联规则挖掘动态更新 · FUP算法

24

关联规则在推荐系统协同过滤 · 实时推荐引擎

25

关联规则在交叉销售捆绑销售 · 营销活动

26

货架布局优化商品摆放策略 · 基于规则的货架图

27

大规模数据挖掘挑战 Spark MLlib FP-Growth · 分布式

28

关联规则挖掘的陷阱虚假关联 · 多重比较 · 业务误区

29

项目实战：购物篮分析系统数据采集 → 可视化看板

30

课程总结与进阶方向图神经网络 · 规则挖掘前沿 · 回顾

⭐ 点击目录卡片跳转对应章节 · 友好配色