ComeçarComece de graça

Recomenda artistas musicais, parte I

Neste exercício e no próximo, você vai usar o que aprendeu sobre NMF para recomendar artistas musicais populares! Você tem uma matriz esparsa artists cujas linhas são artistas e as colunas são usuários. As entradas mostram quantas vezes cada artista foi ouvido por cada usuário.

Neste exercício, crie um pipeline e transforme a matriz em características NMF normalizadas. A primeira etapa do processo, MaxAbsScaler, transforma os dados para que todos os usuários tenham a mesma influência no modelo, independentemente de quantos artistas diferentes eles tenham ouvido. No próximo exercício, você vai usar as características NMF normalizadas resultantes para fazer recomendações!

Este exercício faz parte do curso

Aprendizado não supervisionado em Python

Ver curso

Instruções do exercício

  • Importar:

    • NMF de sklearn.decomposition.

    • Normalizer e MaxAbsScaler de sklearn.preprocessing.

    • make_pipeline de sklearn.pipeline.

  • Crie uma instância de MaxAbsScaler chamada scaler.

  • Crie uma instância do NMF com os componentes 20 chamada nmf.

  • Crie uma instância de Normalizer chamada normalizer.

  • Crie um pipeline chamado “ pipeline ” que conecta “ scaler ”, “ nmf ” e “ normalizer ”.

  • Use o método “ .fit_transform() ” (copiar e colar) do site pipeline para artists. Atribua o resultado a norm_features.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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 = ____
Editar e executar o código