Deixando os dados prontos para KNN
Agora que você entende em detalhes como o K-nearest neighbors funciona, pode aproveitar a implementação de KNN do scikit-learn entendendo o que acontece por baixo dos panos.
Nos próximos dois exercícios, você vai percorrer as etapas de preparação dos dados para o modelo de KNN do scikit-learn e, em seguida, usá-lo para inferir que nota um usuário daria a um filme que ainda não viu.
Para manter a consistência, você vai trabalhar novamente com o User_1 e a nota que ele daria para Apollo 13 (1995) caso tivesse assistido.
O DataFrame users_to_ratings já foi carregado para você. Ele contém cada usuário em sua própria linha e, como valores, cada avaliação que fez.
Da mesma forma, user_ratings_table foi carregada e contém os valores de avaliação brutos (antes do centramento e do preenchimento com zeros).
Este exercício faz parte do curso
Construindo mecanismos de recomendação em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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 = ____.____[[____]]