Ztráta informace při faktorizaci
Možná tě napadá otázka, jak mohou faktory s výrazně menším počtem sloupců shrnout větší DataFrame bez ztráty informací. Pravdou je, že to tak úplně nefunguje — vytvořené faktory jsou zpravidla jen přibližnou reprezentací původních dat, protože určitá ztráta informací je nevyhnutelná. Předpovězené hodnoty tak nemusí být přesné, ale měly by být dostatečně blízké, aby byly užitečné.
V tomto cvičení se podíváš na původní DataFrame před faktorizací, načtený jako original_df, a porovnáš ho se součinem jeho dvou faktorů — user_matrix a item_matrix.
Toto cvičení je součástí kurzu
Tvorba doporučovacích systémů v Pythonu
Pokyny k cvičení
- Vypočítej skalární součin matic
user_matrixaitem_matrixa výsledek ulož jakopredictions_df.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
import numpy as np
# Multiply the user and item matrices
predictions_df = ____.____(____, ____)
# Inspect the recreated DataFrame
print(predictions_df)
# Inspect the original DataFrame and compare
print(original_df)