使用主控台列印 original_df 和 user_matrix。user_matrix 是 original_df 分解出的其中一個因子。 根據 user_matrix 第一欄的數值分布,你覺得這個潛在特徵可能在概括什麼?
original_df
user_matrix
注意:user_matrix 的第一列對應 User 1,第二列對應 User_2,以此類推。 請記得,潛在特徵通常代表資料中的潛在趨勢,並會讓具有這些趨勢的項目得到相似的分數。
User 1
User_2
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。
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。
當前練習