เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

แนะนำศิลปินดนตรี ส่วนที่ 1

ในแบบฝึกหัดนี้และแบบถัดไป จะได้นำความรู้เกี่ยวกับ NMF มาใช้แนะนำศิลปินดนตรียอดนิยม โดยมี sparse array ชื่อ artists ให้แล้ว ซึ่งแต่ละแถวแทนศิลปินและแต่ละคอลัมน์แทนผู้ใช้งาน ค่าในแต่ละช่องคือจำนวนครั้งที่ผู้ใช้งานแต่ละคนฟังศิลปินนั้น

ในแบบฝึกหัดนี้ ให้สร้าง pipeline และแปลง array ให้เป็น NMF features ที่ผ่านการ normalize แล้ว ขั้นตอนแรกใน pipeline คือ MaxAbsScaler ซึ่งแปลงข้อมูลเพื่อให้ผู้ใช้งานทุกคนมีอิทธิพลต่อโมเดลเท่ากัน โดยไม่คำนึงว่าแต่ละคนฟังศิลปินกี่คน ในแบบฝึกหัดถัดไป จะนำ NMF features ที่ได้ไปใช้สำหรับการแนะนำ!

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Unsupervised Learning ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • Import:
    • NMF จาก sklearn.decomposition
    • Normalizer และ MaxAbsScaler จาก sklearn.preprocessing
    • make_pipeline จาก sklearn.pipeline
  • สร้าง instance ของ MaxAbsScaler ชื่อ scaler
  • สร้าง instance ของ NMF ที่มี 20 components ชื่อ nmf
  • สร้าง instance ของ Normalizer ชื่อ normalizer
  • สร้าง pipeline ชื่อ pipeline ที่เชื่อมต่อ scaler, nmf และ normalizer เข้าด้วยกัน
  • เรียกใช้เมธอด .fit_transform() ของ pipeline กับ artists แล้วกำหนดผลลัพธ์ให้กับ norm_features

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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 = ____
แก้ไขและรันโค้ด