Comparer des méthodes de recommandation

Dans ce cours, vous avez prédit la note qu’un utilisateur donnerait à des films qu’il n’a pas vus à l’aide de plusieurs méthodes (moyennes simples, KNN, factorisation de matrices). Dans cet ultime exercice, vous allez comparer les notes moyennes et la factorisation de matrices en utilisant mean_squared_error() comme mesure de performance. Les prédictions basées sur les moyennes ont été chargées dans avg_pred_ratings_df, tandis que les prédictions calculées ont été chargées dans calc_pred_ratings_df. Les valeurs de référence ont été chargées dans act_ratings_df.

Enfin, la fonction mean_squared_error() a été importée depuis sklearn.metrics pour que vous puissiez l’utiliser.

Cet exercice fait partie du cours

Créer des moteurs de recommandation en Python

Afficher le cours

Instructions

Extrayez les lignes 0 à 20 et les colonnes 0 à 100 (les zones que vous souhaitez comparer) des DataFrames act_ratings_df, avg_pred_ratings_df et calc_pred_ratings_df.
Créez un masque du DataFrame actual_values qui cible uniquement les cellules non vides.
Calculez l’erreur quadratique moyenne entre les deux prédictions et les valeurs de référence.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Extract the ground truth to compare your predictions against
actual_values = act_ratings_df.____[:20, :100].values
avg_values = avg_pred_ratings_df.____[:20, :100].values
predicted_values = calc_pred_ratings_df.____[:20, :100].values

# Create a mask of actual_values to only look at the non-missing values in the ground truth
mask = ~np.isnan(____)

# Print the performance of both predictions and compare
print(____(____[mask], avg_values[mask], squared=False))
print(____(____[mask], predicted_values[mask], squared=False))

Modifier et exécuter le code