Začněte nyníZačněte zdarma

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!

Toto cvičení je součástí kurzu

Unsupervised Learning in Python

Zobrazit kurz

Pokyny k cvičení

  • 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.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Perform the necessary imports
from ____ import ____
from ____ import ____, ____
from ____ import ____

# Create a MaxAbsScaler: scaler
scaler = ____

# Create an NMF model: nmf
nmf = ____

# Create a Normalizer: normalizer
normalizer = ____

# Create a pipeline: pipeline
pipeline = ____

# Apply fit_transform to artists: norm_features
norm_features = ____
Upravit a spustit kód