Refinando ainda mais com lift
Mais uma vez, você apresenta seus resultados à biblioteca: use Twilight para promover Harry Potter, já que a regra tem uma métrica de confiança mais alta. A biblioteca agradece a sugestão, mas pede que você confirme se esse é um relacionamento significativo usando outra métrica.
Você se lembra de que o lift pode ser útil aqui. Se o lift for menor que 1, isso significa que Harry Potter e Twilight aparecem juntos com menos frequência do que esperaríamos se os pareamentos ocorressem por acaso. Como nos dois exercícios anteriores, o DataFrame books já foi importado para você, junto com o numpy com o alias np.
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 o lift de {Potter} \(\rightarrow\) {Twilight}.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Compute support for Potter and Twilight
supportPT = ____.mean()
# Compute support for Potter
supportP = books['Potter'].____
# Compute support for Twilight
supportT = ____.mean()
# Compute lift
lift = ____ / (supportP * ____)
# Print lift
print("Lift: %.2f" % lift)