Menyempurnakan support dengan confidence

Setelah Anda melaporkan temuan dari latihan sebelumnya, pihak perpustakaan menanyakan arah hubungan tersebut. Haruskah mereka menggunakan Harry Potter untuk mempromosikan Twilight atau Twilight untuk mempromosikan Harry Potter?

Setelah mempertimbangkannya, Anda memutuskan menghitung metrik confidence, yang memiliki arah, tidak seperti support. Anda akan menghitungnya untuk {Potter} \(\rightarrow\) {Twilight} dan {Twilight} \(\rightarrow\) {Potter}. DataFrame books telah diimpor untuk Anda, dengan satu kolom untuk setiap buku: Potter dan Twilight.

Latihan ini merupakan bagian dari kursus

Analisis Market Basket dengan Python

Instruksi latihan

Hitung support untuk {Potter, Twilight}.
Hitung support untuk {Potter}.
Hitung support untuk {Twilight}.
Hitung confidence untuk {Potter} \(\rightarrow\) {Twilight} dan {Twilight} \(\rightarrow\) {Potter}.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Compute support for Potter and Twilight
supportPT = np.logical_and(____, ____).mean()

# Compute support for Potter
supportP = books['Potter'].____

# Compute support for Twilight
supportT = ____

# Compute confidence for both rules
confidencePT = supportPT / ____
confidenceTP = ____ / supportT

# Print results
print('{0:.2f}, {1:.2f}'.format(confidencePT, confidenceTP))

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Analisis Market Basket dengan Python

SkillTag.level.intermediateSkillTag.label

4.9+

Mulai Kursus Gratis

Pada bab ini, Anda akan mempelajari dasar-dasar Analisis Market Basket: aturan asosiasi, metrik, dan pruning. Anda kemudian akan menerapkan konsep-konsep ini untuk membantu sebuah toko kelontong kecil meningkatkan upaya promosi dan penataan produk.

Exercise 1: Apa itu Market Basket Analysis?Exercise 2: Dasar-dasar market basket analysis Exercise 3: Penjualan silang produk Exercise 4: Mengidentifikasi aturan asosiasi Exercise 5: Anteseden dan konsekuen berganda Exercise 6: Menyiapkan data untuk market basket analysis Exercise 7: Menghasilkan association rules Exercise 8: Metrik yang paling sederhana Exercise 9: One-hot encoding data transaksi Exercise 10: Menghitung metrik support

Aturan asosiasi memberi tahu kita bahwa dua atau lebih item saling terkait. Metrik memungkinkan kita mengukur kegunaan hubungan tersebut. Pada bab ini, Anda akan menerapkan enam metrik untuk mengevaluasi aturan asosiasi: support, confidence, lift, conviction, leverage, dan metrik Zhang. Anda kemudian akan menggunakan aturan asosiasi dan metrik untuk membantu sebuah perpustakaan dan penjual e-book.

Exercise 1: Confidence dan lift Exercise 2: Merekomendasikan buku dengan support Exercise 3: Menyempurnakan support dengan confidence

Latihan Saat Ini

Exercise 4: Penyempurnaan lebih lanjut dengan lift Exercise 5: Leverage dan conviction Exercise 6: Lift versus leverage Exercise 7: Menghitung conviction Exercise 8: Menghitung conviction dengan sebuah fungsi Exercise 9: Mempromosikan e-book dengan conviction Exercise 10: Asosiasi dan disosiasi Exercise 11: Menghitung asosiasi dan disosiasi Exercise 12: Mendefinisikan metrik Zhang Exercise 13: Menerapkan metrik Zhang Exercise 14: Aturan lanjutan Exercise 15: Penyaringan dengan support dan conviction Exercise 16: Menggunakan penyaringan multi-metrik untuk promosi silang buku

Masalah mendasar dalam Analisis Market Basket adalah menentukan cara menerjemahkan sejumlah besar keputusan pelanggan menjadi sejumlah kecil aturan yang berguna. Proses ini biasanya dimulai dengan penerapan algoritma Apriori dan melibatkan strategi tambahan, seperti pruning dan agregasi. Pada bab ini, Anda akan mempelajari cara menggunakan metode-metode tersebut dan pada akhirnya menerapkannya dalam latihan untuk membantu peritel memilih tata letak toko fisik dan melakukan promosi silang produk.

Exercise 1: Agregasi Exercise 2: Melakukan agregasi Exercise 3: Mendefinisikan fungsi agregasi Exercise 4: Algoritma Apriori Exercise 5: Pruning dan Apriori Exercise 6: Mengidentifikasi itemset yang sering muncul dengan Apriori Exercise 7: Memilih ambang dukungan (support)Exercise 8: Pemangkasan hasil Apriori dasar Exercise 9: Membuat aturan asosiasi Exercise 10: Pruning dengan lift Exercise 11: Pemangkasan dengan confidence Exercise 12: Pemangkasan lanjutan pada hasil Apriori Exercise 13: Agregasi dan pemfilteran Exercise 14: Menerapkan aturan Zhang Exercise 15: Penyaringan lanjutan dengan banyak metrik

Pada bab terakhir ini, Anda akan mempelajari bagaimana visualisasi digunakan untuk memandu proses pruning dan merangkum hasil akhir, yang biasanya berupa himpunan item atau aturan. Anda akan menguasai tiga visualisasi yang paling berguna — heatmap, scatterplot, dan parallel coordinates plot — dan menerapkannya untuk membantu sebuah layanan streaming film.

Exercise 1: Heatmap Exercise 2: Memvisualisasikan dukungan itemset Exercise 3: Heatmap dengan lift Exercise 4: Menafsirkan heatmap Exercise 5: Scatterplot Exercise 6: Pemangkasan dengan scatterplot Exercise 7: Optimalitas batas support-confidence Exercise 8: Plot koordinat paralel Exercise 9: Menggunakan koordinat paralel untuk memvisualisasikan aturan Exercise 10: Menyempurnakan plot koordinat paralel Exercise 11: Selamat!