रिकमेंडेशन विधियों की तुलना
इस कोर्स में, आपने कई अलग-अलग तरीकों (basic average ratings, KNN, matrix factorization) से यह भविष्यवाणी की है कि कोई यूज़र उन फिल्मों को कैसे रेट करेगा जो उसने नहीं देखी हैं. इस अंतिम अभ्यास में, आप averaged ratings और matrix factorization की तुलना करेंगे, जहाँ उनके प्रदर्शन को मापने के लिए mean_squared_error() का उपयोग किया जाएगा.
Averages पर आधारित predictions avg_pred_ratings_df के रूप में लोड किए गए हैं, जबकि calculated predictions calc_pred_ratings_df के रूप में लोड किए गए हैं.
Ground truth मान act_ratings_df के रूप में लोड किए गए हैं.
अंत में, mean_squared_error() फ़ंक्शन आपके उपयोग के लिए sklearn.metrics से आयात कर दिया गया है.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में रिकमेंडेशन इंजन बनाना
अभ्यास निर्देश
act_ratings_df,avg_pred_ratings_df, औरcalc_pred_ratings_dfDataFrames में पंक्तियाँ 0-20 और कॉलम 0-100 (वह हिस्से जिनकी आप तुलना करना चाहते हैं) निकालें.actual_valuesDataFrame का एक mask बनाइए जो सिर्फ non-empty सेल्स को target करे.- दोनों predictions और ground truth मानों के बीच mean squared error निकालें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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))