Membandingkan metode rekomendasi

Dalam kursus ini, Anda telah memprediksi bagaimana seorang pengguna akan memberi rating pada film yang belum mereka tonton menggunakan beberapa metode berbeda (rata-rata dasar, KNN, matrix factorization). Pada latihan terakhir ini, Anda akan membandingkan rating rata-rata dan matrix factorization menggunakan mean_squared_error() sebagai ukuran kinerja. Prediksi berbasis rata-rata telah dimuat sebagai avg_pred_ratings_df, sedangkan prediksi terhitung telah dimuat sebagai calc_pred_ratings_df. Nilai ground truth telah dimuat sebagai act_ratings_df.

Terakhir, fungsi mean_squared_error() telah diimpor untuk Anda dari sklearn.metrics.

Latihan ini adalah bagian dari kursus

Membangun Recommendation Engine di Python

Lihat Kursus

Petunjuk latihan

Ekstrak baris 0–20 dan kolom 0–100 (area yang ingin Anda bandingkan) pada DataFrame act_ratings_df, avg_pred_ratings_df, dan calc_pred_ratings_df.
Buat mask dari DataFrame actual_values yang hanya menargetkan sel yang tidak kosong.
Temukan mean squared error antara dua prediksi dan nilai ground truth.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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))

Edit dan Jalankan Kode