KNN-data voorbereiden
Nu je de ins en outs van K-nearest neighbors begrijpt, kun je de implementatie van KNN in scikit-learn gebruiken, terwijl je snapt wat er onder de motorkap gebeurt.
In de volgende twee oefeningen loop je door hoe je je data voorbereidt voor het KNN-model van scikit-learn, en gebruik je het om te voorspellen welke beoordeling een gebruiker zou geven aan een film die hij of zij nog niet heeft gezien.
Voor de consistentie werk je opnieuw met User_1 en de beoordeling die ze zouden geven aan Apollo 13 (1995) als ze die zagen.
De users_to_ratings DataFrame is weer voor je ingeladen. Deze bevat elke gebruiker als een eigen rij en alle beoordelingen die ze hebben gegeven als waarden.
Ook user_ratings_table is ingeladen, met de ruwe beoordelingswaarden (vóór centreren en opvullen met nullen).
Deze oefening maakt deel uit van de cursus
Aanbevelingssystemen bouwen in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Drop the column you are trying to predict
users_to_ratings.____("Apollo 13 (1995)", axis=1, inplace=____)
# Get the data for the user you are predicting for
target_user_x = ____.____[[____]]