Porovnání modelů item-based a user-based

Teď už znáš dva různé přístupy KNN. Prvním byl item-item KNN, kde se průměr \(k\) nejpodobnějších filmů, které uživatel hodnotil, používá k odhadnutí hodnocení filmu, který ještě neviděl. Druhým přístupem byl user-user KNN, kde se průměr hodnocení \(k\) nejpodobnějších uživatelů pro daný film používá k odhadnutí hodnocení cílového uživatele.

Teď oba přístupy porovnáš a zjistíš, jaké hodnocení by user_002 dal/a filmu Forrest Gump.

Kód pro model user_rating_predictor (který predikuje na základě toho, co podobní uživatelé filmu dali) a model movie_rating_predictor (který predikuje na základě hodnocení, která tento uživatel dal podobným filmům) je pro tebe připravený.

KNeighborsRegressor je už naimportovaný.

Toto cvičení je součástí kurzu

Tvorba doporučovacích systémů v Pythonu

Zobrazit kurz

Pokyny k cvičení

Vytvoř model K-nearest neighbors user-user s názvem user_knn.
Natrénuj model user_knn a pak proveď predikci na target_user_x.
Stejným způsobem natrénuj model K-nearest neighbors item-item s názvem movie_knn a proveď predikci na target_movie_x.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Instantiate the user KNN model
user_knn = ____()

# Fit the model and predict the target user
user_knn.____(other_users_x, other_users_y)
user_user_pred = user_knn.____(target_user_x)
print("The user-user model predicts {}".format(user_user_pred))

# Instantiate the user KNN model
movie_knn = KNeighborsRegressor()

# Fit the model on the movie data and predict
movie_knn.____(other_movies_x, other_movies_y)
item_item_pred = movie_knn.____(target_movie_x)
print("The item-item model predicts {}".format(item_item_pred))

Upravit a spustit kód