Визуализация поддержки наборов элементов
К вам обратился стартап в сфере стримингового контента. Чтобы снизить затраты на лицензирование, компания хочет сформировать небольшую библиотеку фильмов, рассчитанных на одну и ту же аудиторию. При меньшем выборе контента, чем у крупных игроков рынка, сервис сможет предложить пользователям низкую абонентскую плату.
Вы решаете использовать данные MovieLens и тепловую карту. Простая тепловая карта на основе поддержки позволит выявить отдельные фильмы, которые часто встречаются вместе с другими. Данные в формате унитарного кодирования доступны в виде DataFrame onehot. Также импортированы pandas как pd, seaborn как sns, а также функции apriori() и association_rules().
Это упражнение является частью курса
Анализ рыночных корзин на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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)