Scribd
Cargar
33 vistas2 páginas

Reglas de Asociación en Retail con R

Este documento presenta un análisis de reglas de asociación para datos de ventas minoristas. Se cargan los datos, se encuentran las reglas de asociación y se ordenan por lift. Luego se buscan patrones en una regla específica usando datos demográficos y un árbol de decisión.

Cargado por

Rafexo Mamani
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como TXT, PDF, TXT o lee en línea desde Scribd
33 vistas2 páginas

Reglas de Asociación en Retail con R

Este documento presenta un análisis de reglas de asociación para datos de ventas minoristas. Se cargan los datos, se encuentran las reglas de asociación y se ordenan por lift. Luego se buscan patrones en una regla específica usando datos demográficos y un árbol de decisión.

Cargado por

Rafexo Mamani
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como TXT, PDF, TXT o lee en línea desde Scribd

##############################

# REGLAS DE ASOCIACIÓN #
# EJEMPLO RETAIL #
# Mg. Jesús Salinas Flores #
# [email protected] #
##############################

#--------------------------------------------------------------
# Para limpiar el workspace, por si hubiera algun dataset
# o informacion cargada
rm(list = ls())

#--------------------------------------------------------------
# Cambiar el directorio de trabajo
setwd(dirname(rstudioapi::getActiveDocumentContext()$path))
getwd()

o#--------------------------------------------------------------
# Otras opciones
cat("\014")
options(scipen=999)
options(digits = 4)

############
# Paquetes #
############

library(arules)
library(arulesViz)
library(RColorBrewer)
library(dplyr)
library(ggplot2)
library(foreign)
library(colorspace)
library(rpart)
library(rpart.plot)

#--------------------------------------------------------------
# Paso 1: Cargando los datos
datos.completos <- read.delim("MBA.txt")
str(datos.completos)

datos.productos <- datos.completos[,c(8:18)]


str(datos.productos)

#--------------------------------------------------------------
# Paso 2: Encontrando las reglas de asociación
library(arules)
reglas <- apriori(data = datos.productos,
parameter = list(support = 0.1,
confidence = 0.30,
minlen = 2, maxlen=10,
# Se especifica que se creen reglas
target = "rules"))
reglas
summary(reglas)

# Mostrar la primera regla


inspect(reglas[1])

# Mostrar todas las reglas


inspect(reglas)

# Ordenando las reglas por el lift


inspect(sort(reglas, by = "lift"))

# Encontrando reglas redundantes


inspect(reglas[is.redundant(reglas)])

# Encontrando reglas no redundantes


inspect(reglas[!is.redundant(reglas)])

#--------------------------------------------------------------
# Paso 3: Buscando patrones en una regla usando
# datos socio-demográficos

# lhs rhs support confidence


lift count
#[1] {vegetalesEnlatados,cervezas} => {congelados} 0.146 0.8742515
2.894873 146

datos.completos$regla<- ifelse(datos.completos$vegetalesEnlatados==T &


datos.completos$cervezas==T &
datos.completos$congelados==T,"Compra","No Compra")

datos.completos$regla <- factor(datos.completos$regla)

table(datos.completos$regla)

datos.clasificacion <- datos.completos[,c(2:7,19)]


str(datos.clasificacion)

# Aplicando un árbol para encontrar reglas


library(rpart)
set.seed(123)

arbol1 <- rpart(regla ~ . ,


data=datos.clasificacion,
method="class")

# Graficando el arbol
library(rpart.plot)
rpart.plot(arbol1, digits=-1, type=2,
extra=101, cex = .7, nn=TRUE)

También podría gustarte