ComeçarComece gratuitamente

Recomendar artistas musicais - parte I

Neste exercício e no próximo, você usará o que aprendeu sobre o site NMF para recomendar artistas musicais populares! Você recebe uma matriz esparsa artists cujas linhas correspondem a artistas e cujas colunas correspondem a usuários. As entradas fornecem o número de vezes que cada artista foi ouvido por cada usuário.

Neste exercício, crie um pipeline e transforme a matriz em recursos normalizados do NMF. A primeira etapa do pipeline, MaxAbsScaler, transforma os dados para que todos os usuários tenham a mesma influência no modelo, independentemente do número de artistas diferentes que tenham ouvido. No próximo exercício, você usará os recursos normalizados resultantes do NMF para recomendação!

Este exercício faz parte do curso

Aprendizado não supervisionado em Python

Ver Curso

Instruções de exercício

  • Importação:

    • NMF de sklearn.decomposition.

    • Normalizer e MaxAbsScaler de sklearn.preprocessing.

    • make_pipeline de sklearn.pipeline.

  • Crie uma instância do site MaxAbsScaler chamada scaler.

  • Crie uma instância NMF com componentes 20 chamados nmf.

  • Crie uma instância do site Normalizer chamada normalizer.

  • Crie um pipeline chamado pipeline que encadeie scaler, nmf e normalizer.

  • Aplique o método .fit_transform() de pipeline a artists. Atribua o resultado a norm_features.

Exercício interativo prático

Experimente este exercício preenchendo 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 código