Förfina support med konfidens
När du redovisat dina fynd från den föregående övningen frågar biblioteket om relationens riktning. Ska de använda Harry Potter för att marknadsföra Twilight, eller Twilight för att marknadsföra Harry Potter?
Efter lite eftertanke bestämmer du dig för att beräkna konfidensmåttet, som till skillnad från support har en riktning. Du beräknar det för både {Potter} \(\rightarrow\) {Twilight} och {Twilight} \(\rightarrow\) {Potter}. DataFrame:en books har importerats åt dig och innehåller en kolumn per bok: Potter och Twilight.
Den här övningen är en del av kursen
Marknadskorgsanalys i Python
Övningsinstruktioner
- Beräkna supporten för {Potter, Twilight}.
- Beräkna supporten för {Potter}.
- Beräkna supporten för {Twilight}.
- Beräkna konfidensen för {Potter} \(\rightarrow\) {Twilight} och {Twilight} \(\rightarrow\) {Potter}.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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))