Filtrowanie wielometryczne w celu cross-promocji książek
Na koniec założycielka start-upu sprzedającego e-booki prosi cię o dodatkowe filtrowanie. Poprzednia próba zwróciła 82 reguły, ale ona chciała tylko jednej. Zbiór danych rules jest ponownie dostępny w konsoli. Metryka Zhanga została już obliczona i dodana do ramki danych rules w kolumnie zhang.
To ćwiczenie jest częścią kursu
Analiza koszyka zakupowego w Pythonie
Instrukcje do ćwiczenia
- Ustaw próg lift na wartość większą niż 1,5.
- Użyj progu conviction wynoszącego 1,0.
- Wymagaj, aby metryka Zhanga była większa niż 0,65.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Set the lift threshold to 1.5
rules = rules[rules['____'] > ____]
# Set the conviction threshold to 1.0
rules = rules[____]
# Set the threshold for Zhang's rule to 0.65
rules = ____
# Print rule
print(rules[['antecedents','consequents']])