Informationsförlust vid faktorisering
Du kanske undrar hur faktorer med betydligt färre kolumner kan sammanfatta en större DataFrame utan förlust. I praktiken gör de det inte – de faktorer vi skapar är vanligtvis en god approximation av datan, men en viss informationsförlust är oundviklig. Det innebär att förutsagda värden kanske inte är exakta, men de bör vara tillräckligt nära för att vara användbara.
I den här övningen ska du undersöka samma ursprungliga DataFrame från föregående övning, laddad som original_df, och jämföra den med produkten av dess två faktorer, user_matrix och item_matrix.
Den här övningen är en del av kursen
Bygga rekommendationsmotorer i Python
Övningsinstruktioner
- Beräkna skalärprodukten av
user_matrixochitem_matrixoch spara resultatet sompredictions_df.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
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)