1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Unsupervised Learning in Python
Connected

cvičení

Doporučování hudebních interpretů – část I

V tomto a následujícím cvičení využiješ to, co ses naučil/a o NMF, k doporučování populárních hudebních interpretů! K dispozici máš řídké pole artists, jehož řádky odpovídají interpretům a sloupce uživatelům. Hodnoty udávají, kolikrát každý uživatel přehrál daného interpreta.

V tomto cvičení sestavíš pipeline a transformuješ pole na normalizované NMF příznaky. První krok pipeline, MaxAbsScaler, upraví data tak, aby měli všichni uživatelé na model stejný vliv – bez ohledu na to, kolik různých interpretů poslouchali. V následujícím cvičení pak použiješ výsledné normalizované NMF příznaky k doporučování!

Pokyny

100 XP
  • Importuj:
    • NMF z sklearn.decomposition.
    • Normalizer a MaxAbsScaler z sklearn.preprocessing.
    • make_pipeline z sklearn.pipeline.
  • Vytvoř instanci MaxAbsScaler s názvem scaler.
  • Vytvoř instanci NMF s 20 komponentami s názvem nmf.
  • Vytvoř instanci Normalizer s názvem normalizer.
  • Vytvoř pipeline s názvem pipeline, která řetězí scaler, nmf a normalizer.
  • Aplikuj metodu .fit_transform() objektu pipeline na artists. Výsledek ulož do proměnné norm_features.