アイテムセットのサポートを可視化する
あるコンテンツ配信系スタートアップからコンサルティングの依頼がありました。ライセンス料を抑えるために、同じ視聴者層に強く訴求する映画だけを集めた、狭めのライブラリを作りたいと考えています。業界の大手と比べて作品数は少なくなりますが、その分、低価格のサブスクリプションを提供できる見込みです。
このプロジェクトでは、MovieLens データとヒートマップを使うことにしました。シンプルにサポートに基づくヒートマップを使えば、他のタイトルと一緒に選ばれやすい（サポートが高い）個々のタイトルを見つけられます。ワンホットエンコード済みのデータは DataFrame onehot として用意されています。さらに、pandas は pd、seaborn は sns として利用可能で、apriori() と association_rules() はすでにインポート済みです。
この演習はコースの一部です
Python で学ぶマーケットバスケット分析
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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)