НачатьНачать бесплатно

Рекомендуем музыкальных исполнителей. Часть I

В этом и следующем упражнении вы применёте знания о NMF, чтобы рекомендовать популярных музыкальных исполнителей! Вам дан разреженный массив artists, строки которого соответствуют исполнителям, а столбцы — пользователям. Значения в массиве показывают, сколько раз каждый пользователь прослушал того или иного исполнителя.

В этом упражнении постройте конвейер и преобразуйте массив в нормализованные признаки NMF. Первый шаг конвейера, MaxAbsScaler, приводит данные к такому виду, при котором каждый пользователь оказывает одинаковое влияние на модель — независимо от того, скольких исполнителей он прослушал. В следующем упражнении вы используете полученные нормализованные признаки NMF для формирования рекомендаций!

Это упражнение является частью курса

Обучение без учителя на Python

Посмотреть курс

Инструкции к упражнению

  • Импортируйте:
    • NMF из sklearn.decomposition.
    • Normalizer и MaxAbsScaler из sklearn.preprocessing.
    • make_pipeline из sklearn.pipeline.
  • Создайте экземпляр MaxAbsScaler с именем scaler.
  • Создайте экземпляр NMF с 20 компонентами и присвойте ему имя nmf.
  • Создайте экземпляр Normalizer с именем normalizer.
  • Создайте конвейер с именем pipeline, объединив в нём scaler, nmf и normalizer.
  • Примените метод .fit_transform() объекта pipeline к массиву artists. Сохраните результат в переменную norm_features.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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 = ____
Редактировать и запускать код