KNN-Daten in Form bringen
Jetzt, da du die Details von K-nearest neighbors verstanden hast, kannst du die scikit-learn-Implementierung von KNN nutzen und zugleich nachvollziehen, was unter der Haube passiert.
In den nächsten zwei Übungen gehst du Schritt für Schritt durch, wie du deine Daten für das KNN-Modell von scikit-learn vorbereitest und es dann verwendest, um abzuleiten, welche Bewertung ein Nutzer einem Film geben könnte, den er noch nicht gesehen hat.
Der Konsistenz halber arbeitest du wieder mit User_1 und der Bewertung, die diese Person Apollo 13 (1995) geben würde, wenn sie ihn gesehen hätte.
Das DataFrame users_to_ratings wurde erneut für dich geladen. Es enthält jeden Nutzer in einer eigenen Zeile und die von ihm vergebenen Bewertungen als Werte.
Ebenso wurde user_ratings_table geladen, das die Rohwerte der Bewertungen enthält (vor dem Zentrieren und dem Auffüllen mit Nullen).
Diese Übung ist Teil des Kurses
<Kurs>Recommendation Engines mit Python entwickeln</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Drop the column you are trying to predict
users_to_ratings.____("Apollo 13 (1995)", axis=1, inplace=____)
# Get the data for the user you are predicting for
target_user_x = ____.____[[____]]