Visualizing itemset support
Una start-up de contenidos en streaming te ha pedido asesoramiento. Para mantener bajas las tarifas de licencia, quieren crear un catálogo reducido de películas que atraigan al mismo público. Aunque ofrecerán una selección más pequeña que los grandes del sector, también podrán poner una cuota de suscripción baja.
Decides usar los datos de MovieLens y un mapa de calor para este proyecto. Un mapa de calor basado en soporte te permitirá identificar títulos individuales que tienen un soporte alto con otros títulos. Los datos codificados en one-hot están disponibles en el DataFrame onehot. Además, pandas está disponible como pd, seaborn como sns, y apriori() y association_rules() ya se han importado.
Este ejercicio forma parte del curso
Análisis de cesta de la compra en Python
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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)