LoslegenKostenlos loslegen

Empfehlungen für Musiker Teil I

In dieser und der nächsten Übung wirst du das, was du über NMF gelernt hast, nutzen, um beliebte Musiker zu empfehlen! Du bekommst ein spärliches Array namens „ artists “, dessen Zeilen Künstlern und dessen Spalten Nutzern entsprechen. Die Einträge zeigen, wie oft jeder Künstler von jedem Nutzer angehört wurde.

In dieser Übung baust du eine Pipeline und verwandelst das Array in normalisierte NMF-Features. Der erste Schritt in der Pipeline, „ MaxAbsScaler ” (Anteilige Daten), wandelt die Daten so um, dass alle Nutzer den gleichen Einfluss auf das Modell haben, egal wie viele verschiedene Künstler sie gehört haben. In der nächsten Übung wirst du die normalisierten NMF-Merkmale für Empfehlungen verwenden!

Diese Übung ist Teil des Kurses

Unüberwachtes Lernen in Python

Kurs anzeigen

Anleitung zur Übung

  • Importieren:

    • NMF von sklearn.decomposition.

    • Normalizer und „ MaxAbsScaler ” von sklearn.preprocessing.

    • make_pipeline von sklearn.pipeline.

  • Erstelle eine Instanz von MaxAbsScaler mit dem Namen scaler.

  • Erstell eine Instanz „ NMF ” mit den Komponenten „ 20 ” und nenn sie „ nmf ”.

  • Erstelle eine Instanz von Normalizer mit dem Namen normalizer.

  • Mach eine Pipeline namens „ pipeline “, die „ scaler “, „ nmf “ und „ normalizer “ miteinander verbindet.

  • Wende die „ .fit_transform() ”-Methode von pipeline auf artists an. Weise das Ergebnis norm_features zu.

Interaktive Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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 = ____
Code bearbeiten und ausführen