ComenzarEmpieza gratis

Recomienda artistas musicales parte I

En este ejercicio y en el siguiente, utilizarás lo que has aprendido sobre NMF para recomendar artistas musicales populares. Se te da una matriz dispersa artists cuyas filas corresponden a artistas y cuyas columnas corresponden a usuarios. Las entradas indican el número de veces que cada artista fue escuchado por cada usuario.

En este ejercicio, construye una canalización y transforma la matriz en características normalizadas NMF. El primer paso del proceso, MaxAbsScaler, transforma los datos para que todos los usuarios tengan la misma influencia en el modelo, independientemente de cuántos artistas diferentes hayan escuchado. En el siguiente ejercicio, ¡utilizarás las características normalizadas NMF resultantes para hacer recomendaciones!

Este ejercicio forma parte del curso

Aprendizaje no supervisado en Python

Ver curso

Instrucciones de ejercicio

  • Importa:

    • NMF de sklearn.decomposition.

    • Normalizer y MaxAbsScaler de sklearn.preprocessing.

    • make_pipeline de sklearn.pipeline.

  • Crea una instancia de la clase MaxAbsScaler denominado scaler.

  • Crea una instancia de NMF con componentes de 20 llamada nmf.

  • Crea una instancia de la clase Normalizer denominado normalizer.

  • Crea una canalización llamada pipeline que encadene scaler, nmf, y normalizer.

  • Aplica el método .fit_transform() de pipeline a artists. Asigna el resultado a norm_features.

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

# 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 = ____
Editar y ejecutar código