Calculando convicção
Depois de ouvir sobre os conselhos úteis que você deu à biblioteca, a fundadora de uma pequena start-up de venda de e-books procura você para serviços de consultoria. Como um teste das suas habilidades, ela pergunta se você consegue calcular a convicção para a regra {Potter} \(\rightarrow\) {Hunger}, para decidir se deve colocar os livros lado a lado no site da empresa. Felizmente, você ainda tem acesso aos dados goodreads-10k, disponíveis como books. Além disso, pandas foi importado como pd e numpy como np.
Este exercício faz parte do curso
Análise de Cesta de Compras em Python
Instruções do exercício
- Calcule o suporte para {Potter} e atribua a
supportP. - Calcule o suporte para NÃO {Hunger}.
- Calcule o suporte para {Potter} e NÃO {Hunger}.
- Complete a expressão da métrica de convicção no comando de retorno.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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)