CommencezCommencez gratuitement

Recommander des artistes musicaux, partie I

Dans cet exercice et le suivant, vous allez mettre en pratique ce que vous avez appris sur la NMF pour recommander des artistes de musique populaires ! On vous fournit un tableau creux artists dont les lignes correspondent aux artistes et les colonnes aux utilisateurs. Les entrées indiquent le nombre d'écoutes de chaque artiste par chaque utilisateur.

Dans cet exercice, construisez un pipeline et transformez le tableau en caractéristiques NMF normalisées. La première étape du pipeline, MaxAbsScaler, transforme les données afin que tous les utilisateurs aient la même influence sur le modèle, peu importe le nombre d'artistes différents qu'ils ont écoutés. Dans l'exercice suivant, vous utiliserez les caractéristiques NMF normalisées obtenues pour faire des recommandations !

Cette activité fait partie du cours

Unsupervised Learning in Python

Voir le cours

Instructions de l’exercice

  • Importez :
    • NMF depuis sklearn.decomposition.
    • Normalizer et MaxAbsScaler depuis sklearn.preprocessing.
    • make_pipeline depuis sklearn.pipeline.
  • Créez une instance de MaxAbsScaler nommée scaler.
  • Créez une instance de NMF avec 20 composantes nommée nmf.
  • Créez une instance de Normalizer nommée normalizer.
  • Créez un pipeline nommé pipeline qui enchaîne scaler, nmf et normalizer.
  • Appliquez la méthode .fit_transform() de pipeline à artists. Assignez le résultat à norm_features.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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 = ____
Modifier et exécuter le code