Pierderea de informații în factorizare
S-ar putea să te întrebi cum pot factorii cu mult mai puține coloane să rezume un DataFrame mai mare fără pierderi. De fapt, nu reușesc întotdeauna – factorii pe care îi creăm sunt, în general, o aproximare a datelor, deoarece este inevitabil ca o parte din informații să se piardă. Asta înseamnă că valorile prezise s-ar putea să nu fie exacte, însă ar trebui să fie suficient de apropiate pentru a fi utile.
În acest exercițiu, vei examina același DataFrame original pre-factorizare din exercițiul anterior, încărcat ca original_df, și îl vei compara cu produsul celor doi factori ai săi, user_matrix și item_matrix.
Acest exercițiu face parte din cursul
Construirea motoarelor de recomandare în Python
Instrucțiuni pentru exercițiu
- Calculează produsul scalar al lui
user_matrixșiitem_matrixși stochează rezultatul înpredictions_df.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
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)