Začněte nyníZačněte zdarma

Výpočet asociace a disociace

Knihovna se na tebe opět obrátila ohledně tvého doporučení propagovat Harry Pottera společně s Twilightem. Obávají se, že tyto dvě knihy mohou být disociovány, což by mohlo jejich propagační akci spíše uškodit. Žádají tě, abys ověřil/a, že tomu tak není.

Okamžitě tě napadne Zhangova metrika, která průběžně měří asociaci i disociaci. Asociace je kladná, disociace záporná. Stejně jako v předchozích cvičeních máš k dispozici DataFrame books a knihovnu numpy pod aliasem np. Zhangova metrika se vypočítá takto:

$$Zhang(A \rightarrow B) = $$ $$\frac{Support(A \& B) - Support(A) Support(B)}{ max[Support(AB) (1-Support(A)), Support(A)(Support(B)-Support(AB))]}$$

Toto cvičení je součástí kurzu

Market Basket Analysis v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Vypočítej podporu pro {Twilight} a podporu pro {Potter}.
  • Vypočítej podporu pro {Twilight, Potter}.
  • Doplň výraz pro jmenovatel.
  • Vypočítej Zhangovu metriku pro {Twilight} \(\rightarrow\) {Potter}.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Compute the support of Twilight and Harry Potter
supportT = books['Twilight'].____
supportP = books['Potter'].____

# Compute the support of both books
supportTP = ____.mean()

# Complete the expressions for the numerator and denominator
numerator = supportTP - supportT*supportP
denominator = ___(supportTP*(1-supportT), supportT*(supportP-supportTP))

# Compute and print Zhang's metric
zhang = ____ / ____
print(zhang)
Upravit a spustit kód