Ytterligare förfining med lift

Du återrapporterar dina resultat till biblioteket: Använd Twilight för att marknadsföra Harry Potter, eftersom regeln har ett högre konfidensmått. Biblioteket tackar dig för förslaget, men ber dig bekräfta att detta är ett meningsfullt samband med hjälp av ett annat mått.

Du minns att lift kan vara användbart här. Om lift är mindre än 1 innebär det att Harry Potter och Twilight kombineras mer sällan än vad vi skulle förvänta oss om kombinationerna skedde slumpmässigt. Precis som i de två föregående övningarna har DataFrame books importerats åt dig, tillsammans med numpy under aliaset np.

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 lift för {Potter} \(\rightarrow\) {Twilight}.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)

Redigera och kör kod

Den här övningen är en del av kursen

Marknadskorgsanalys i Python

SkillTag.level.intermediateSkillTag.label

4.9+

Starta kursen gratis

I det här kapitlet lär du dig grunderna i marknadskorgsanalys: associationsregler, mått och gallring. Sedan tillämpar du dessa begrepp för att hjälpa en liten livsmedelsbutik att förbättra sina kampanjer och sin produktplacering.

Exercise 1: Vad är varukorganalys?Exercise 2: Grunderna i varukorganalys Exercise 3: Korsförsäljning av produkter Exercise 4: Identifiera associationsregler Exercise 5: Flera antecedenter och konsekventer Exercise 6: Förbereda data för varukorgsanalys Exercise 7: Generera associationsregler Exercise 8: Det enklaste måttet Exercise 9: One-hot-enkodning av transaktionsdata Exercise 10: Beräkna supportmåttet

Associationsregler visar att två eller fler varor hänger samman. Mått gör det möjligt att kvantifiera hur användbara dessa samband är. I det här kapitlet tillämpar du sex mått för att utvärdera associationsregler: support, konfidens, lyft, övertygelse, hävstång och Zhangs mått. Sedan använder du associationsregler och mått för att hjälpa ett bibliotek och en e-bokssäljare.

Exercise 1: Konfidens och lift Exercise 2: Rekommendera böcker med support Exercise 3: Förfina support med konfidens Exercise 4: Ytterligare förfining med lift

Aktuell övning

Exercise 5: Hävstång och övertygelse Exercise 6: Lift kontra leverage Exercise 7: Beräkna conviction Exercise 8: Beräkna conviction med en funktion Exercise 9: Marknadsföra e-böcker med conviction Exercise 10: Association och dissociation Exercise 11: Beräkning av association och dissociation Exercise 12: Definiera Zhangs mått Exercise 13: Tillämpa Zhangs metrik Exercise 14: Avancerade regler Exercise 15: Filtrering med support och conviction Exercise 16: Korsmarknadsföring av böcker med filtrering på flera mått

Den grundläggande utmaningen inom marknadskorgsanalys är att omvandla stora mängder kundbeslut till ett litet antal användbara regler. Processen börjar vanligtvis med Apriori-algoritmen och kompletteras med ytterligare strategier som gallring och aggregering. I det här kapitlet lär du dig att använda dessa metoder och tillämpar dem sedan i övningar där du hjälper en återförsäljare att välja butikslayout och planera korsmarknadsföring av produkter.

Exercise 1: Aggregation Exercise 2: Aggregering i praktiken Exercise 3: Definiera en aggregeringsfunktion Exercise 4: Apriori-algoritmen Exercise 5: Beskärning och Apriori Exercise 6: Identifiera frekventa itemsets med Apriori Exercise 7: Välja ett supporttröskelvärde Exercise 8: Grundläggande beskärning av Apriori-resultat Exercise 9: Generera associationsregler Exercise 10: Beskärning med lift Exercise 11: Beskärning med konfidens Exercise 12: Avancerad beskärning av Apriori-resultat Exercise 13: Aggregering och filtrering Exercise 14: Tillämpa Zhangs regel Exercise 15: Avancerad filtrering med flera mått

I det här avslutande kapitlet lär du dig hur visualiseringar används för att vägleda gallringsprocessen och sammanfatta slutresultat, som vanligtvis presenteras i form av varukorgar eller regler. Du behärskar de tre mest användbara visualiseringstyperna – värmekartor, spridningsdiagram och diagram med parallella koordinater – och tillämpar dem för att hjälpa en filmstreamingtjänst.

Exercise 1: Värmekartor Exercise 2: Visualisera stöd för itemsets Exercise 3: Värmekartor med lift Exercise 4: Tolka heatmaps Exercise 5: Spridningsdiagram Exercise 6: Beskärning med spridningsdiagram Exercise 7: Optimalitet hos support-konfidenssgränsen Exercise 8: Parallellkoordinatplot Exercise 9: Visualisera regler med parallella koordinater Exercise 10: Förfina ett parallellkoordinatdiagram Exercise 11: Grattis!