เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การเปรียบเทียบวิธีการแนะนำ

ในคอร์สนี้ คุณได้ทำนายคะแนนที่ผู้ใช้น่าจะให้กับภาพยนตร์ที่ยังไม่เคยดู โดยใช้หลายวิธี ได้แก่ การใช้ค่าเฉลี่ยคะแนน, KNN และ matrix factorization ในแบบฝึกหัดสุดท้ายนี้ จะเปรียบเทียบผลลัพธ์ระหว่างการใช้ค่าเฉลี่ยคะแนนกับ matrix factorization โดยใช้ mean_squared_error() เป็นตัวชี้วัดประสิทธิภาพ ผลการทำนายจากค่าเฉลี่ยถูกโหลดไว้ใน avg_pred_ratings_df ส่วนผลการทำนายที่คำนวณได้ถูกโหลดไว้ใน calc_pred_ratings_df ค่า ground truth ถูกโหลดไว้ใน act_ratings_df

นอกจากนี้ ฟังก์ชัน mean_squared_error() ได้ถูก import มาจาก sklearn.metrics เรียบร้อยแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การสร้าง Recommendation Engine ด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ดึงแถวที่ 0-20 และคอลัมน์ที่ 0-100 (บริเวณที่ต้องการเปรียบเทียบ) จาก DataFrame act_ratings_df, avg_pred_ratings_df และ calc_pred_ratings_df
  • สร้าง mask จาก DataFrame actual_values ที่กำหนดเป้าหมายเฉพาะเซลล์ที่ไม่ว่างเปล่า
  • คำนวณ mean squared error ระหว่างผลการทำนายทั้งสองกับค่า ground truth

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Extract the ground truth to compare your predictions against
actual_values = act_ratings_df.____[:20, :100].values
avg_values = avg_pred_ratings_df.____[:20, :100].values
predicted_values = calc_pred_ratings_df.____[:20, :100].values

# Create a mask of actual_values to only look at the non-missing values in the ground truth
mask = ~np.isnan(____)

# Print the performance of both predictions and compare
print(____(____[mask], avg_values[mask], squared=False))
print(____(____[mask], predicted_values[mask], squared=False))
แก้ไขและรันโค้ด