Refinando o suporte com confiança
Depois de apresentar suas conclusões do exercício anterior, a biblioteca pergunta sobre a direção da relação. Eles devem usar Harry Potter para promover Twilight ou Twilight para promover Harry Potter?
Pensando nisso, você decide calcular a métrica de confiança, que tem direção, ao contrário do suporte. Você vai calculá-la para {Potter} \(\rightarrow\) {Twilight} e {Twilight} \(\rightarrow\) {Potter}. O DataFrame books já foi importado para você, com uma coluna para cada livro: Potter e Twilight.
Este exercício faz parte do curso
Análise de Cesta de Compras em Python
Instruções do exercício
- Calcule o suporte de {Potter, Twilight}.
- Calcule o suporte de {Potter}.
- Calcule o suporte de {Twilight}.
- Calcule a confiança de {Potter} \(\rightarrow\) {Twilight} e de {Twilight} \(\rightarrow\) {Potter}.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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))