Trực quan hóa độ hỗ trợ của các tập mục
Một start-up cung cấp nội dung theo yêu cầu tìm đến bạn để tư vấn. Để giữ chi phí bản quyền thấp, họ muốn xây dựng một thư viện phim gọn, nhắm đến cùng một nhóm khán giả. Dù số lượng nội dung sẽ ít hơn các ông lớn trong ngành, họ có thể đưa ra mức phí thuê bao thấp.
Bạn quyết định dùng dữ liệu MovieLens và một biểu đồ nhiệt cho dự án này. Dùng biểu đồ nhiệt dựa trên độ hỗ trợ đơn giản sẽ giúp bạn xác định những tựa phim riêng lẻ có độ hỗ trợ cao với các tựa khác. Dữ liệu one-hot được cung cấp dưới dạng DataFrame onehot. Ngoài ra, pandas đã có sẵn dưới tên pd, seaborn là sns, và apriori() cùng association_rules() đều đã được import.
Bài tập này là một phần của khóa học
Phân tích giỏ hàng trong Python
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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)