Visualisera stöd för itemsets
En nystartad streamingtjänst har kontaktat dig för konsulttjänster. För att hålla licensavgifterna låga vill de sätta ihop ett begränsat filmbibliotek som tilltalar samma målgrupp. Även om de erbjuder ett smalare utbud än de stora aktörerna i branschen, kan de i gengäld erbjuda ett lågt prenumerationspris.
Du väljer att använda MovieLens-data och en heatmap för det här projektet. Med hjälp av en enkel supportbaserad heatmap kan du identifiera enskilda titlar som har högt stöd tillsammans med andra titlar. Data i one-hot-kodat format finns tillgänglig som DataFrame:en onehot. Dessutom är pandas tillgängligt som pd, seaborn som sns, och både apriori() och association_rules() har importerats.
Den här övningen är en del av kursen
Marknadskorgsanalys i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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)