Calcular asociación y disociación
La biblioteca vuelve a consultarte sobre tu recomendación de promocionar Harry Potter usando Twilight. Les preocupa que puedan estar disociados, lo que tendría un impacto negativo en su campaña. Te piden verificar que no sea así.
Enseguida piensas en la métrica de Zhang, que mide de forma continua la asociación y la disociación. La asociación es positiva y la disociación es negativa. Como en los ejercicios anteriores, el DataFrame books ya se ha importado por ti, junto con numpy con el alias np. La métrica de Zhang se calcula así:
$$Zhang(A \rightarrow B) = $$ $$\frac{Support(A \& B) - Support(A) Support(B)}{ max[Support(AB) (1-Support(A)), Support(A)(Support(B)-Support(AB))]}$$
Este ejercicio forma parte del curso
Análisis de cesta de la compra en Python
Instrucciones del ejercicio
- Calcula el soporte de {Twilight} y el soporte de {Potter}.
- Calcula el soporte de {Twilight, Potter}.
- Completa la expresión del denominador.
- Calcula la métrica de Zhang para {Twilight} \(\rightarrow\) {Potter}.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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)