Побудуйте дерево ймовірностей шляху для подорожей через веб-сайт

В даний час я роблю аналіз на веб-сайті, який вимагає створити схему дерева рішень, яка показує ймовірний маршрут, який люди проходять, коли вони приходять на веб-сайт. Я маю справу з тим, data.frameякий показує шляхи всіх клієнтів до сайту, починаючи з домашньої сторінки. Наприклад, клієнт може піти таким шляхом:

Homepage - pg 1
Kitchen Items page - pg 2
Pots and Pans page - pg 3

тож цей клієнт мав би подорож на 3 сторінки. Те, що я хочу спробувати зробити в R, - це об'єднати всі шляхи клієнтів і тим самим призначити ймовірність клієнту слідуючи певному шляху на сайті. Наприклад, якби я вивчив усі шляхи, я міг би виявити, що 34% людей, які приїжджають на домашню сторінку, переходять на сторінку "Кухонні предмети". У R є цей заклад?

Я шукав різні методи через пакети rpart та partykit, але вони, здається, не допомогли.

Будь-який кермо в правильному напрямку для цього дуже вдячний!

Це не один із способів початку - мати матрицю (скажімо, M n × n ), де n - кількість сторінок. Потім виходячи з вашого елемента матриці збільшення необроблених даних M r c по одному, коли ви користувач переходите зі сторінки r на сторінку c . Це дає вам ймовірність переходу.$n \times n$$M_{n \times n}$$n$$M_{rc}$$r$$c$

На ваше перше запитання вже відповів такий: "Який відсоток користувачів на домашній сторінці (скажімо, сторінка 1) подорожує поруч із, скажімо, предметами кухні (скажімо, сторінка 2)?"

$\frac{M_{12}}{ \sum_c M_{1c}}$

Або це занадто спрощено?

Схоже, ви намагаєтесь відтворити алгоритм PageRank Google. Більшість алгоритмів PageRank було розроблено за допомогою ланцюгів Маркова. У Р. можна знайти багато згадок про розробку методів PageRank.

igraph.sourceforge.net/doc/R/page.rank.htm

З того, що я бачу тут, я погоджуюся, що іграфи / Марківські ланцюги - це, мабуть, шлях, але ви, безумовно, можете використовувати rpart та / або partykit.

Мені важко дати просту відповідь вашим обмеженим прикладом, але я можу пояснити взагалі, як би ви це зробили.

Ви хочете подивитися, де були всі ваші користувачі, і підсумуйте, наприклад, рядок

"Home / product4 / product3 / product4 / buynow"
"Home / product3 / buynow"
"Home / product3 / product4"

Потім ви можете сегментувати своїх користувачів на категорії, наприклад, тих, хто потрапив на сторінку "купити зараз", і тих, хто цього не зробив. Тоді ви можете просто почати прогнозувати цей термінальний результат. У цьому прикладі, можливо, ви дізнаєтесь, що люди, які зробили найбільше порівняльний магазин, щось не купували / не купували.

Ви також можете зробити більше змінних, наприклад "яка була сторінка перед сторінкою buynow", "скільки сторінок вони відвідали, перш ніж щось придбати" або "коли вони створили свій перший обліковий запис", і ви можете додати ці показники до свого аналізу.

Ви можете пройти багато різних шляхів, і це починає відповідати на різні запитання, але я можу сказати, що ви можете використовувати дерева, а для деяких проблем це може бути швидшим і простішим шляхом до розуміння.

До речі, вам потрібно буде зробити нечислові коефіцієнти змінних, використовуючи factorабо as.factor, якщо ви збираєтесь використовувати party. Вечірка має кілька приємних віньєток для початку роботи.