Öğe kümesi desteğini görselleştirme
Bir içerik yayıncılığı girişimi senden danışmanlık istiyor. Lisans ücretlerini düşük tutmak için, aynı kitleye hitap eden dar bir film kütüphanesi oluşturmak istiyorlar. Sektördeki büyük oyunculara kıyasla daha küçük bir içerik seçkisi sunsalar da, düşük bir abonelik ücreti sunabilecekler.
Bu proje için MovieLens verisini ve bir ısı haritasını kullanmaya karar verdin. Basit, destek tabanlı bir ısı haritası kullanmak, diğer başlıklarla birlikte yüksek desteğe sahip tekil filmleri belirlemene yardımcı olacak. Tek-seçenek kodlamalı veri onehot adlı DataFrame olarak mevcut. Ayrıca, pandas pd olarak, seaborn sns olarak hazır ve apriori() ile association_rules() içe aktarılmış durumda.
Bu egzersiz, kursun bir parçasıdır
Python ile Market Basket Analysis
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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)