Zacznij terazZacznij za darmo

Rekomendowanie artystów muzycznych – część I

W tym i kolejnym ćwiczeniu wykorzystasz zdobytą wiedzę o NMF do rekomendowania popularnych artystów muzycznych! Dostępna jest rzadka macierz artists, której wiersze odpowiadają artystom, a kolumny – użytkownikom. Wartości w macierzy oznaczają, ile razy dany artysta był słuchany przez danego użytkownika.

W tym ćwiczeniu zbudujesz potok i przekształcisz macierz w znormalizowane cechy NMF. Pierwszy krok potoku, MaxAbsScaler, transformuje dane tak, aby każdy użytkownik miał jednakowy wpływ na model – niezależnie od tego, ilu różnych artystów słuchał. W kolejnym ćwiczeniu użyjesz uzyskanych znormalizowanych cech NMF do tworzenia rekomendacji!

To ćwiczenie jest częścią kursu

Uczenie nienadzorowane w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj:
    • NMF z sklearn.decomposition.
    • Normalizer i MaxAbsScaler z sklearn.preprocessing.
    • make_pipeline z sklearn.pipeline.
  • Utwórz instancję MaxAbsScaler o nazwie scaler.
  • Utwórz instancję NMF z 20 komponentami o nazwie nmf.
  • Utwórz instancję Normalizer o nazwie normalizer.
  • Utwórz potok o nazwie pipeline, który łączy ze sobą scaler, nmf i normalizer.
  • Zastosuj metodę .fit_transform() obiektu pipeline do macierzy artists. Przypisz wynik do zmiennej norm_features.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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 = ____
Edytuj i uruchom kod