Mettre en forme les données pour KNN
Maintenant que vous maîtrisez le fonctionnement de K-nearest neighbors, vous pouvez tirer parti de l’implémentation de KNN dans scikit-learn tout en comprenant ce qui se passe sous le capot.
Dans les deux prochains exercices, vous allez voir comment préparer vos données pour le modèle KNN de scikit-learn, puis l’utiliser pour estimer la note qu’un utilisateur pourrait attribuer à un film qu’il n’a pas encore vu.
Pour rester cohérent, vous travaillerez de nouveau avec User_1 et la note qu’il donnerait à Apollo 13 (1995) s’il le voyait.
Le DataFrame users_to_ratings a de nouveau été chargé pour vous. Il contient chaque utilisateur sur sa propre ligne et, en valeurs, chacune des notes qu’il a données.
De même, user_ratings_table a été chargé. Il contient les valeurs de notes brutes (avant centrage et remplissage avec des zéros).
Cet exercice fait partie du cours
Créer des moteurs de recommandation en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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 = ____.____[[____]]