Förbered data för KNN
Nu när du förstår hur K-nearest neighbors fungerar på djupet kan du använda scikit-learns implementation av KNN och samtidigt förstå vad som händer under huven.
I de kommande två övningarna går vi igenom hur du förbereder dina data för scikit-learns KNN-modell och sedan använder den för att förutsäga vilket betyg en användare skulle ge en film de inte har sett.
För konsekvensens skull arbetar du återigen med User_1 och det betyg de skulle ge Apollo 13 (1995) om de såg den.
DataFrame-objektet users_to_ratings har laddats åt dig. Det innehåller varje användare som en egen rad och deras betyg som värden.
På samma sätt har user_ratings_table laddats, vilket innehåller de råa betygvärdena (innan centrering och ifyllning med nollor).
Den här övningen är en del av kursen
Bygga rekommendationsmotorer i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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 = ____.____[[____]]