Rafinare suplimentară cu lift
Raportezi din nou rezultatele tale bibliotecii: folosește Twilight pentru a promova Harry Potter, deoarece regula are un scor de încredere mai ridicat. Biblioteca îți mulțumește pentru sugestie, dar îți cere să confirmi că această relație este una semnificativă, folosind o altă metrică.
Îți amintești că lift-ul ar putea fi util aici. Dacă lift-ul este mai mic decât 1, înseamnă că Harry Potter și Twilight apar împreună mai rar decât ne-am aștepta dacă asocierile s-ar produce întâmplător. Ca și în exercițiile anterioare, DataFrame-ul books a fost importat pentru tine, împreună cu numpy sub aliasul np.
Acest exercițiu face parte din cursul
Analiza coșului de cumpărături în Python
Instrucțiuni pentru exercițiu
- Calculează suportul pentru {Potter, Twilight}.
- Calculează suportul pentru {Potter}.
- Calculează suportul pentru {Twilight}.
- Calculează lift-ul pentru {Potter} \(\rightarrow\) {Twilight}.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# 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)