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
<cours>Créer des moteurs de recommandation en Python</cours>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 = ____.____[[____]]