CommencerCommencer gratuitement

Recommander des artistes musicaux, partie I

Dans cet exercice et le suivant, vous utiliserez ce que vous avez appris sur la NMF pour recommander des artistes musicaux populaires. Vous disposez d'un tableau clairsemé artists dont les lignes correspondent aux artistes et les colonnes aux utilisateurs. Les entrées indiquent le nombre de fois où chaque artiste a été écouté par chaque utilisateur.

Dans cet exercice, veuillez créer un pipeline et transformer le tableau en caractéristiques NMF normalisées. La première étape du pipeline, « MaxAbsScaler », transforme les données de manière à ce que tous les utilisateurs aient la même influence sur le modèle, quel que soit le nombre d'artistes différents qu'ils ont écoutés. Dans l'exercice suivant, vous utiliserez les caractéristiques NMF normalisées obtenues pour faire des recommandations.

Cet exercice fait partie du cours

Apprentissage non supervisé en Python

Afficher le cours

Instructions

  • Importation :
    • NMF depuis sklearn.decomposition.
    • Normalizer et MaxAbsScaler depuis sklearn.preprocessing.
    • make_pipeline depuis sklearn.pipeline.
  • Créer une instance de MaxAbsScaler nommée scaler.
  • Créer une instance NMF avec 20 composants appelée nmf.
  • Créer une instance de Normalizer appelée normalizer.
  • Créer un pipeline appelé pipeline qui enchaîne scaler, nmf et normalizer.
  • Appliquer la méthode .fit_transform() de pipeline à artists. Attribuer le résultat à norm_features.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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