Wizualizacja wsparcia zbiorów elementów
Pewien start-up streamingowy zwrócił się do ciebie z prośbą o doradztwo. Aby ograniczyć koszty licencji, chce stworzyć niewielką bibliotekę filmów, które będą atrakcyjne dla tej samej grupy odbiorców. Choć oferta będzie skromniejsza niż u dużych graczy, platforma będzie mogła zaoferować niską opłatę subskrypcyjną.
Postanawiasz wykorzystać dane MovieLens i mapę ciepła. Prosta mapa ciepła oparta na wsparciu pozwoli ci zidentyfikować tytuły, które często pojawiają się razem z innymi tytułami. Dane zakodowane metodą one-hot są dostępne jako DataFrame onehot. Ponadto pandas jest dostępny jako pd, seaborn jako sns, a funkcje apriori() i association_rules() zostały już zaimportowane.
To ćwiczenie jest częścią kursu
Analiza koszyka zakupowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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)