CommencezCommencez gratuitement

Calculer la conviction

Après avoir entendu parler des bons conseils que vous avez donnés à la bibliothèque, la fondatrice d'une petite jeune pousse de vente de livres numériques vous approche pour des services-conseils. Pour mettre vos compétences à l'épreuve, elle vous demande si vous pouvez calculer la conviction pour la règle {Potter} \(\rightarrow\) {Hunger}, afin de décider si elle doit placer ces livres côte à côte sur le site de l'entreprise. Heureusement, vous avez toujours accès aux données goodreads-10k, disponibles sous books. De plus, pandas a été importée sous le nom pd et numpy sous np.

Cette activité fait partie du cours

Analyse des paniers d'achat en Python

Voir le cours

Instructions de l’exercice

  • Calculez le support pour {Potter} et placez-le dans supportP.
  • Calculez le support pour NON {Hunger}.
  • Calculez le support pour {Potter} et NON {Hunger}.
  • Complétez l'expression de la métrique de conviction dans l'instruction return.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Compute support for Potter AND Hunger
supportPH = np.logical_and(books['Potter'], books['Hunger']).mean()

# Compute support for Potter
supportP = ____.mean()

# Compute support for NOT Hunger
supportnH = 1.0 - books['____'].mean()

# Compute support for Potter and NOT Hunger
supportPnH = ____ - supportPH

# Compute and print conviction for Potter -> Hunger
conviction = ____ * supportnH / supportPnH
print("Conviction: %.2f" % conviction)
Modifier et exécuter le code