Utrata informacji podczas faktoryzacji
Być może zastanawiasz się, jak czynniki o znacznie mniejszej liczbie kolumn mogą podsumować większą ramkę danych bez straty informacji. W rzeczywistości nie mogą – tworzone przez nas czynniki to zazwyczaj jedynie dobre przybliżenie danych, a pewna utrata informacji jest nieunikniona. Oznacza to, że przewidywane wartości mogą nie być dokładne, ale powinny być wystarczająco bliskie oryginałowi, by być użyteczne.
W tym ćwiczeniu przyjrzysz się tej samej oryginalnej ramce danych sprzed faktoryzacji, wczytanej jako original_df, i porównasz ją z iloczynem jej dwóch czynników: user_matrix i item_matrix.
To ćwiczenie jest częścią kursu
Budowanie systemów rekomendacji w Pythonie
Instrukcje do ćwiczenia
- Oblicz iloczyn skalarny macierzy
user_matrixiitem_matrix, a wynik zapisz jakopredictions_df.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
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)