CommencezCommencez gratuitement

Calcul de l'association et de la dissociation

La bibliothèque vous revient encore une fois au sujet de votre recommandation de promouvoir Harry Potter à partir de Twilight. Elle s'inquiète d'une possible dissociation entre les deux, ce qui pourrait nuire à leur promotion. On vous demande de vérifier que ce n'est pas le cas.

Vous pensez immédiatement à la mesure de Zhang, qui évalue de façon continue l'association et la dissociation. L'association est positive et la dissociation est négative. Comme pour les exercices précédents, le DataFrame books a été importé pour vous, de même que numpy sous l'alias np. La mesure de Zhang se calcule ainsi :

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

Cette activité fait partie du cours

Analyse des paniers d'achat en Python

Voir le cours

Instructions de l’exercice

  • Calculez le support de {Twilight} et le support de {Potter}.
  • Calculez le support de {Twilight, Potter}.
  • Complétez l'expression du dénominateur.
  • Calculez la mesure de Zhang pour {Twilight} \(\rightarrow\) {Potter}.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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)
Modifier et exécuter le code