逐步走過 K-nearest neighbors

你剛剛看到可以如何利用 K-nearest neighbors，根據（相似）群體的智慧來推測某人對某個項目的評分。在這個練習中，你會自己一步一步操作這個流程，以確保你清楚理解其運作方式。

為了幫你上手，由於你之前已多次建立相似度矩陣，這一步已替你完成，並以 DataFrame 形式載入為 user_similarities 的使用者相似度矩陣。

這個矩陣以每位使用者作為列與欄，兩者交會處是對應的相似度分數。

在本練習中，你會使用 user_001 的相似度分數，找出他們的最近鄰，並根據這些鄰居對某部電影的評分，推測如果 user_001 看過該片，可能會給出的評分。

本練習屬於課程

用 Python 建立推薦引擎

檢視課程

練習說明

從 ordered_similarities 中擷取前 10 名使用者，取得 User_A 的 10 位最近鄰 ID，並將其儲存為 nearest_neighbors。
從 user_ratings_table 擷取 nearest_neighbors 這些使用者給出的評分，並儲存為 neighbor_ratings。
計算這些使用者對電影 Apollo 13 (1995) 的平均評分，用來推測如果 User_A 看過這部片，可能會給出的評分。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# Isolate the similarity scores for user_1 and sort
user_similarity_series = user_similarities.loc['user_001']
ordered_similarities = user_similarity_series.sort_values(ascending=False)

# Find the top 10 most similar users
nearest_neighbors = ordered_similarities[1:11].____

# Extract the ratings of the neighbors
neighbor_ratings = user_ratings_table.____(nearest_neighbors)

# Calculate the mean rating given by the users nearest neighbors
print(neighbor_ratings['Apollo 13 (1995)'].____())

編輯並執行程式碼