你可能已經注意到,你一直在使用的透視後 DataFrame 常常含有遺漏資料。這是可以預期的,因為使用者很少把所有電影都看過,而且大多數電影也不是每個人都看過,導致使用者評分矩陣中出現空缺。
在本練習中,你將探索另一個含有遺漏值的使用者評分表 user_ratings_subset,並觀察在處理遺漏資料時,不同作法如何影響其可用性。
user_ratings_subset
本練習屬於課程
將理論付諸實踐,立即體驗我們的互動練習
推薦引擎是為了解決哪些問題?哪些資料最適合用來建置它們?辨識即使在資料有限時也能提出的有洞見的推薦,並學會如何建立自己的推薦結果。
了解如何利用項目的屬性來產生推薦。善用類別型與文字資料,建立有價值的項目比較。根據使用者過去偏好生成使用者輪廓,進而推薦新項目。
透過尋找品味相近的他人,發掘可推薦給使用者的新項目。學習製作以使用者為基礎與以項目為基礎的推薦,以及各自適用的情境。使用 k-nearest neighbors 模型,匯聚群體智慧,預測某人對尚未接觸的項目的評分。
當前練習
理解真實世界資料集的稀疏性如何影響你的推薦。運用矩陣分解的威力來處理這種稀疏性。探索潛在特徵的價值,並用它們更深入理解你的資料。最後,學會如何驗證你所學到的各種方法,將這些模型實際拿來檢驗。