Weitere Verfeinerung mit Lift
Du meldest der Bibliothek erneut deine Ergebnisse: Nutze Twilight, um Harry Potter zu bewerben, da die Regel eine höhere Confidence aufweist. Die Bibliothek bedankt sich für den Vorschlag, bittet dich jedoch, mit einer weiteren Kennzahl zu bestätigen, dass dies eine sinnvolle Beziehung ist.
Du erinnerst dich, dass Lift hier hilfreich sein könnte. Wenn der Lift kleiner als 1 ist, bedeutet das, dass Harry Potter und Twilight seltener zusammen vorkommen, als man erwarten würde, wenn die Paarungen zufällig wären. Wie in den beiden vorherigen Übungen wurde das DataFrame books bereits für dich importiert, ebenso numpy unter dem Alias np.
Diese Übung ist Teil des Kurses
Market Basket Analysis in Python
Anleitung zur Übung
- Berechne den Support von {Potter, Twilight}.
- Berechne den Support von {Potter}.
- Berechne den Support von {Twilight}.
- Berechne den Lift von {Potter} \(\rightarrow\) {Twilight}.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Compute support for Potter and Twilight
supportPT = ____.mean()
# Compute support for Potter
supportP = books['Potter'].____
# Compute support for Twilight
supportT = ____.mean()
# Compute lift
lift = ____ / (supportP * ____)
# Print lift
print("Lift: %.2f" % lift)