LoslegenKostenlos starten

Musiker empfehlen, Teil I

In dieser und der nächsten Übung nutzt du dein Wissen über NMF, um beliebte Musiker zu empfehlen! Dir steht ein „sparse Array“ namens artists zur Verfügung, dessen Zeilen Musikern und dessen Spalten Zuhörern entsprechen. Die Einträge geben an, wie oft jeder Artist von jedem Zuhörer gehört wurde.

Erstelle in dieser Übung eine Pipeline und wandle das Array in normalisierte NMF-Merkmale um. Der erste Schritt in der Pipeline, MaxAbsScaler, transformiert die Daten so, dass alle Zuhörer den gleichen Einfluss auf das Modell haben – unabhängig davon, wie viele verschiedene Musiker sie gehört haben. In der nächsten Übung verwendest du die resultierenden normalisierten NMF-Merkmale für Empfehlungen!

Diese Übung ist Teil des Kurses

<Kurs>Unsupervised Learning in Python</Kurs>
Kurs ansehen

Übungsanweisungen

  • Importiere:
    • NMF aus sklearn.decomposition.
    • Normalizer und MaxAbsScaler aus sklearn.preprocessing.
    • make_pipeline aus sklearn.pipeline.
  • Erzeuge eine Instanz von MaxAbsScaler namens scaler.
  • Erzeuge eine NMF-Instanz mit 20 Komponenten namens nmf.
  • Erzeuge eine Instanz von Normalizer namens normalizer.
  • Erstelle eine Pipeline namens pipeline, die scaler, nmf und normalizer verknüpft.
  • Wende die Methode .fit_transform() von pipeline auf artists an. Weise das Ergebnis norm_features zu.

Interaktive praktische 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