เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ปรับแต่งเพิ่มเติมด้วย lift

คุณรายงานผลให้ห้องสมุดอีกครั้งว่า ควรใช้ Twilight เพื่อโปรโมต Harry Potter เนื่องจากกฎนี้มีค่า confidence สูงกว่า ห้องสมุดขอบคุณสำหรับข้อเสนอแนะ แต่ขอให้ยืนยันว่าความสัมพันธ์นี้มีนัยสำคัญจริงโดยใช้เมตริกอื่น

นึกขึ้นมาได้ว่า lift อาจเป็นประโยชน์ในกรณีนี้ หาก lift น้อยกว่า 1 แสดงว่า Harry Potter และ Twilight ถูกหยิบคู่กันน้อยกว่าที่ควรจะเป็นหากการจับคู่เกิดขึ้นโดยบังเอิญ เช่นเดียวกับแบบฝึกหัดสองข้อก่อนหน้า DataFrame books ถูกนำเข้ามาให้แล้ว พร้อมกับ numpy ภายใต้ชื่อย่อ np

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Market Basket Analysis ด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • คำนวณ support ของ {Potter, Twilight}
  • คำนวณ support ของ {Potter}
  • คำนวณ support ของ {Twilight}
  • คำนวณ lift ของ {Potter} \(\rightarrow\) {Twilight}

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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)
แก้ไขและรันโค้ด