Vizualizace podpory itemsetů
Obrátil se na tebe začínající streamovací startup s žádostí o konzultaci. Aby udržel licenční poplatky co nejnižší, chce sestavit úzkou knihovnu filmů, která bude oslovovat stejné publikum. I když nabídne menší výběr obsahu než velcí hráči v oboru, bude moci nabídnout nízké předplatné.
Rozhodneš se pro tento projekt využít data MovieLens a heatmapu. Jednoduchá heatmapa založená na podpoře ti umožní identifikovat jednotlivé tituly s vysokou podporou ve vztahu k jiným titulům. Data zakódovaná metodou one-hot jsou dostupná jako DataFrame onehot. K dispozici máš také pandas jako pd, seaborn jako sns a importované funkce apriori() a association_rules().
Toto cvičení je součástí kurzu
Market Basket Analysis v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Compute frequent itemsets using a minimum support of 0.07
frequent_itemsets = apriori(onehot, min_support = ____,
use_colnames = True, max_len = 2)
# Compute the association rules
rules = association_rules(____, metric = 'support',
min_threshold = 0.0)