Втрата інформації під час факторизації
Можливо, ви замислювалися, як матриці з набагато меншою кількістю стовпців можуть узагальнювати більший датафрейм без втрат. Насправді — ніяк: отримані фактори зазвичай лише наближають дані, адже певна втрата інформації неминуча. Отже, передбачені значення можуть бути не точними, але мають бути достатньо близькими, щоб бути корисними.
У цій вправі ви переглянете той самий початковий, до факторизації, датафрейм із попередньої вправи, завантажений як original_df, і порівняєте його з добутком двох його факторів — user_matrix та item_matrix.
Ця вправа є частиною курсу
Створення систем рекомендацій у Python
Інструкції до вправи
- Знайдіть скалярний добуток
user_matrixтаitem_matrixі збережіть його якpredictions_df.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
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)