Preparar los datos para KNN
Ahora que entiendes a fondo cómo funciona K-nearest neighbors, puedes aprovechar la implementación de KNN de scikit-learn sabiendo qué hace por debajo.
En los dos próximos ejercicios, verás paso a paso cómo preparar tus datos para el modelo KNN de scikit-learn y cómo usarlo para inferir qué puntuación podría darle un usuario a una película que aún no ha visto.
Para mantener la coherencia, volverás a trabajar con User_1 y la puntuación que daría a Apollo 13 (1995) si la viera.
El DataFrame users_to_ratings ya se ha cargado. Contiene cada usuario en su propia fila y cada puntuación que dio como valores.
De forma similar, se ha cargado user_ratings_table, que contiene los valores de puntuación en bruto (antes de centrar y de rellenar con ceros).
Este ejercicio forma parte del curso
Creación de motores de recomendación en Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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 = ____.____[[____]]