Obliczanie przekonania (conviction)
Wieść o twoich poradach dla biblioteki dotarła do założycielki małego start-upu sprzedającego e-booki. Postanawia sprawdzić twoje umiejętności i prosi cię o obliczenie metryki conviction dla reguły {Potter} \(\rightarrow\) {Hunger} – chce zdecydować, czy umieścić te książki obok siebie na stronie internetowej firmy. Na szczęście masz nadal dostęp do danych goodreads-10k, dostępnych jako books. Biblioteka pandas została zaimportowana jako pd, a numpy jako np.
To ćwiczenie jest częścią kursu
Analiza koszyka zakupowego w Pythonie
Instrukcje do ćwiczenia
- Oblicz wsparcie dla {Potter} i przypisz je do zmiennej
supportP. - Oblicz wsparcie dla NOT {Hunger}.
- Oblicz wsparcie dla {Potter} i NOT {Hunger}.
- Uzupełnij wyrażenie dla metryki conviction w instrukcji return.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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)