Візуалізація підтримки наборів товарів
До вас звернувся стартап зі стримінгу контенту по консультацію. Щоб зменшити ліцензійні витрати, вони хочуть зібрати вузьку бібліотеку фільмів, що подобаються одній і тій самій аудиторії. Хоча їхній вибір контенту буде меншим, ніж у великих гравців індустрії, вони зможуть запропонувати низьку абонплату.
Ви вирішили використати дані MovieLens і теплокарту для цього проєкту. Проста теплокарта на основі підтримки дасть змогу визначити окремі назви фільмів, які мають високу підтримку разом з іншими назвами. Дані у форматі one-hot доступні як датафрейм onehot. Крім того, pandas доступний як pd, seaborn — як sns, а apriori() і association_rules() уже імпортовано.
Ця вправа є частиною курсу
Маркет-баcкет аналіз у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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)