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
Recommendation Engines mit Python entwickeln
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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 = ____.____[[____]]