Part I. Prediction (2.5 marks)

HSUHK is predicting the admission chance for their MSc DSAI applicants based on the following variables:

The linear regression results are as below:

1.   Interpret the relationship between CGPA and chance of admission.        (0.5 marks)

2.   What would be the predicted chance of admission for an applicant who graduated from a class four university with GRE score of 327, TOEFL score of 115, SOP of 3.0, LOR of 3.5, CGPA of 8.2 and nil research experience? (Show your steps to score the marks)              (1 mark)

3.   Interpret the impact of university rating on chance of admission.           (0.5 marks)

4.   Please help HSUHK  suggest what  actions can be taken by their  applicants to increase the chance of admission.         (0.5 marks)

Part II. Classification (5 marks)

Based on the HSUHK admission case in Part I (assume that the chance of admission is now either Yes or No). The decision tree results are displayed as follows:

=== Tree Visualization ===

=== Confusion Matrix ===

5.   How many leaf nodes does the tree have when CGPA is smaller than or equal to 8.53?              (0.5 marks)

6.   What is the prediction of the rightmost leaf node in the tree? State the conditions and prediction result.               (1 mark)

7.   What types of students would be admitted when university rating was considered but LOR was not considered?               (0.5 marks)

8.   What is the overall accuracy and misclassification rate of the tree? (Convert to 2 decimal places)                 (0.5 marks)

9.   Please interpret the confusion matrix. Which prediction case is the worst to be discovered?         (2.5 marks)

Part III. Customer Segmentation (3.5 marks)

You are the manager of HSUHK online store and have some basic data about your 2000 customers, such as gender, marital status, annual income, and size of the city they come from as follows:

The clustering analysis result is displayed as follows:

10. Which cluster has the smallest number of customers? How many customers does it have?           (0.5 mark)

11. What are the characteristics of the customers in Cluster #0?                       (1 mark)

12. How would you describe the relationship between a person’s income and where he/she lives?        (1 mark)

13. If a new product is targeted to existing single female customers, which cluster should you targeted? How would you promote it according to the clustering result above?                                           (1 mark)

Part IV. Association Rules Mining (3 marks)

The HSUHK online store has the following customer transactions:

14. Suppose  the  minimum  support  and  minimum  confidence  are  60%  and  75%, respectively. Show all valid association rules with their support, confidence and lift values using Apriori algorithm (display the rules in descending order of their lift values).               (2 marks)

15. Based on the results in Q14, which one item will you promote to maximize the sales revenue? Why?   (0.5 marks)

16. Discuss the difference between rules E → A and E → B.   (0.5 marks)

Part V. Recommendation Engine (3.5 marks)

The HSUHK online store has the following customer book ratings:

17. Calculate the predicted rating for Max on Book5 using user-based and item-based collaborative filtering (with Pearson correlation and all users/items considered with similarity > 0). (Show your steps to score the marks)                                  (2 marks)

18. Based on the predicted ratings in Q17, would you recommend Book5 to Max? Why? (1 mark)

19. If you should recommend Book5 to Max, what would be your sales or marketing strategy? Please discuss one strategy.       (0.5 marks)

Part VI. Sentiment Analysis (2.5 marks)

There are two documents:

John likes to watch movies. Mary likes movies too. Mary also likes to watch football games.

20. Show the normalized TF-IDF matrix.   (2 marks)

21. List the top 3 tokens that are most unique to these documents.   (0.5 marks)