Mettre les données KNN en forme
Maintenant que vous comprenez bien le fonctionnement des k plus proches voisins, vous pouvez tirer parti de l'implémentation de KNN de scikit-learn tout en sachant ce qui se passe sous le capot.
Dans les deux prochains exercices, vous verrez comment préparer vos données pour le modèle KNN de scikit-learn, puis l'utiliser pour inférer la note qu'un utilisateur pourrait attribuer à un film qu'il n'a pas encore vu.
Par souci de cohérence, vous allez de nouveau travailler avec User_1 et la note qu'il donnerait à Apollo 13 (1995) s'il l'avait vu.
Le DataFrame users_to_ratings a de nouveau été chargé pour vous. Il contient un utilisateur par ligne et, comme valeurs, chacune des notes qu'il a données.
De même, user_ratings_table a été chargé et contient les valeurs de notes brutes (avant recentrage et remplissage avec des zéros).
Cette activité fait partie du cours
Créer des moteurs de recommandation en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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 = ____.____[[____]]