Lift ile daha ileri iyileştirme
Yine kütüphaneye sonuçlarını iletiyorsun: Kuralın güven metriği daha yüksek olduğu için Harry Potter'ı tanıtmak amacıyla Alacakaranlık'ı kullan. Kütüphane önerin için teşekkür ediyor, ancak bunun anlamlı bir ilişki olduğunu başka bir metrikle doğrulamanı istiyor.
Lift'in burada faydalı olabileceğini hatırlıyorsun. Lift 1'den küçükse, bu Harry Potter ve Alacakaranlık'ın rastgele eşleşmeler olsaydı beklediğimizden daha seyrek birlikte görüldüğü anlamına gelir. Önceki iki egzersizde olduğu gibi, books DataFrame'i senin için içe aktarıldı ve numpy da np takma adıyla hazır.
Bu egzersiz, kursun bir parçasıdır
Python ile Market Basket Analysis
Egzersiz talimatları
- {Potter, Twilight} kümesinin desteğini hesapla.
- {Potter} kümesinin desteğini hesapla.
- {Twilight} kümesinin desteğini hesapla.
- {Potter} \(\rightarrow\) {Twilight} kuralının lift'ini hesapla.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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)