Informatieverlies bij factorizatie

Je vraagt je misschien af hoe factoren met veel minder kolommen een grotere DataFrame zonder verlies kunnen samenvatten. In feite is dat niet zo — de factoren die we maken zijn meestal een goede benadering van de gegevens, omdat het onvermijdelijk is dat er wat informatie verloren gaat. Dit betekent dat voorspelde waarden niet exact zijn, maar wel dicht genoeg in de buurt komen om nuttig te zijn.

In deze oefening bekijk je dezelfde oorspronkelijke DataFrame van vóór de factorizatie uit de vorige oefening, geladen als original_df, en vergelijk je deze met het product van de twee factoren, user_matrix en item_matrix.

Deze oefening maakt deel uit van de cursus

Aanbevelingssystemen bouwen in Python

Cursus bekijken

Oefeninstructies

Bepaal het dotproduct van user_matrix en item_matrix en sla dit op als predictions_df.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

import numpy as np

# Multiply the user and item matrices
predictions_df = ____.____(____, ____)
# Inspect the recreated DataFrame
print(predictions_df)

# Inspect the original DataFrame and compare
print(original_df)

Code bewerken en uitvoeren