Kom igångKom igång gratis

Rekommendera musikartister – del I

I den här övningen och nästa ska du använda det du lärt dig om NMF för att rekommendera populära musikartister! Du får ett glest (sparse) array artists där raderna motsvarar artister och kolumnerna motsvarar användare. Värdena anger hur många gånger varje artist har lyssnats på av respektive användare.

I den här övningen bygger du en pipeline och transformerar arrayen till normaliserade NMF-särdrag. Det första steget i pipelinen, MaxAbsScaler, transformerar datan så att alla användare har lika stort inflytande på modellen, oavsett hur många olika artister de har lyssnat på. I nästa övning använder du de normaliserade NMF-särdragen för att ge rekommendationer!

Den här övningen är en del av kursen

Oövervakad inlärning i Python

Visa kurs

Övningsinstruktioner

  • Importera:
    • NMF från sklearn.decomposition.
    • Normalizer och MaxAbsScaler från sklearn.preprocessing.
    • make_pipeline från sklearn.pipeline.
  • Skapa en instans av MaxAbsScaler och kalla den scaler.
  • Skapa en instans av NMF med 20 komponenter och kalla den nmf.
  • Skapa en instans av Normalizer och kalla den normalizer.
  • Skapa en pipeline kallad pipeline som kopplar samman scaler, nmf och normalizer.
  • Applicera metoden .fit_transform() från pipeline på artists. Spara resultatet i norm_features.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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 = ____
Redigera och kör kod