เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การคำนวณ conviction

หลังจากที่คุณให้คำแนะนำที่มีประโยชน์แก่ห้องสมุด ผู้ก่อตั้งสตาร์ทอัพขายอีบุ๊กรายหนึ่งได้ติดต่อขอรับคำปรึกษา เธอทดสอบความสามารถโดยขอให้คุณคำนวณค่า conviction สำหรับกฎ {Potter} \(\rightarrow\) {Hunger} เพื่อพิจารณาว่าควรวางหนังสือทั้งสองเล่มไว้ใกล้กันบนเว็บไซต์หรือไม่ โชคดีที่ยังมีข้อมูล goodreads-10k ซึ่งเก็บอยู่ในตัวแปร books นอกจากนี้ยังได้ import pandas เป็น pd และ numpy เป็น np ไว้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Market Basket Analysis ด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • คำนวณ support ของ {Potter} แล้วกำหนดให้กับตัวแปร supportP
  • คำนวณ support ของ NOT {Hunger}
  • คำนวณ support ของ {Potter} และ NOT {Hunger}
  • เติมนิพจน์สำหรับเมตริก conviction ในคำสั่ง return ให้ครบถ้วน

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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)
แก้ไขและรันโค้ด