Tinh chỉnh sâu hơn với lift
Bạn lại tiếp tục báo cáo kết quả cho thư viện: Hãy dùng Twilight để quảng bá Harry Potter, vì luật này có chỉ số confidence cao hơn. Thư viện cảm ơn gợi ý của bạn, nhưng đề nghị bạn xác nhận đây là một mối quan hệ có ý nghĩa bằng một thước đo khác.
Bạn nhớ rằng lift có thể hữu ích ở đây. Nếu lift nhỏ hơn 1, điều đó có nghĩa là Harry Potter và Twilight đi cùng nhau ít thường xuyên hơn so với kỳ vọng nếu việc ghép cặp xảy ra ngẫu nhiên. Cũng như hai bài tập trước, DataFrame books đã được nhập sẵn cho bạn, cùng với numpy với bí danh np.
Bài tập này là một phần của khóa học
Phân tích giỏ hàng trong Python
Hướng dẫn bài tập
- Tính support của {Potter, Twilight}.
- Tính support của {Potter}.
- Tính support của {Twilight}.
- Tính lift của {Potter} \(\rightarrow\) {Twilight}.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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)