IniziaInizia gratis

Consiglia artisti musicali parte I

In questo esercizio e nel prossimo, userai quanto hai imparato su NMF per consigliare artisti musicali popolari! Ti viene fornito un array sparso artists le cui righe corrispondono agli artisti e le cui colonne corrispondono agli utenti. Le celle indicano quante volte ciascun artista è stato ascoltato da ciascun utente.

In questo esercizio, costruisci una pipeline e trasforma l'array in feature di NMF normalizzate. Il primo passo della pipeline, MaxAbsScaler, trasforma i dati in modo che tutti gli utenti abbiano la stessa influenza sul modello, indipendentemente da quanti artisti diversi abbiano ascoltato. Nel prossimo esercizio userai le feature di NMF normalizzate risultanti per fare raccomandazioni!

Questo esercizio fa parte del corso

Apprendimento non supervisionato in Python

Visualizza il corso

Istruzioni dell'esercizio

  • Importa:
    • NMF da sklearn.decomposition.
    • Normalizer e MaxAbsScaler da sklearn.preprocessing.
    • make_pipeline da sklearn.pipeline.
  • Crea un'istanza di MaxAbsScaler chiamata scaler.
  • Crea un'istanza di NMF con 20 componenti chiamata nmf.
  • Crea un'istanza di Normalizer chiamata normalizer.
  • Crea una pipeline chiamata pipeline che concateni scaler, nmf e normalizer.
  • Applica il metodo .fit_transform() di pipeline a artists. Assegna il risultato a norm_features.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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 = ____
Modifica ed esegui il codice