Full matrix를 사용자 데이터와 merge 하는 것과 gender기준 추천 모델에서 실제 추천을 받는 방법 질문 입니다.

안녕하세요. 학습자님 !

열심히 강의를 시청하시면서 학습해주시는 모습 감동입니다 :)

첫 번째 질문의 경우)

user 데이터와 x_train 데이터를 user_id기준으로 merge 시키려고 하신 것 같습니다.

하지만 x_train의 경우 user_id가 컬럼이 아닌 인덱스로 지정되어 있네요.

그래서 x_train = x_train.reset_index()를 통해서 인덱스 값을 컬럼으로 이동시키는 작업 후에

pd.merge(user,x_train,on='user_id') 이렇게 진행하시면 되겠습니다.

두 번째 질문의 경우)

def cf_gender(user_id,movie_id):
    # x_train으로 만든 pivot 테이블에 movie_id가 있으면 진행, 없으면 기본값 3.0 예측치로 간주
    if movie_id in rating_matrix.columns:
        # 예측 대상자의 성별을 users에서 구해온다. 
        gender = users.loc[user_id]['sex']
        # 예측 대상 영화가 해당 성별의 평균을 가지고 있는지 확인
        # 간혹 사용자가 적은 영화의 경우 남성 혹은 여성 사용자 중에서 영화 평가한 사람이 없으면 없는 영화라 간주할 수 있음
        if gender in g_mean[movie_id].index:
            gender_rating = g_mean[movie_id][gender]
        else:
            gender_rating = 3.0
    else:
        gender_rating = 3.0
    return gender_rating
score(cf_gender)

위 score는 단순 모델의 성능을 검증하기 위함 이었습니다.

그래서 실제로 모델을 활용하실 때는 상황에 따라 다르겠지만,

전체 유저에게 모든 영화에 대한 예측 평점값을 계산한다고 가정했을 때

user 한명당 위 모듈을 활용하셔서 모든 영화에 대한 평점을 계산하시고

그 평점 값중 가장 높은 것을 선택해서 리턴해주는 방식을 취할 수 있습니다.

모델 활용에 대해서는 어느정도 각자 도메인의 상황이나 아이디어에 따라 달라질 수 있기 때문에,

이번 강의에서는 단순 예측 평점, 즉 개인에 대한 각 영화에 대한 선호도만 실습한 것입니다 :)

혹시나 더 궁금하신 점 있으시다면 편하게 댓글 남겨주세요!

학습자님의 성공적인 학습을 기원합니다.

감사합니다.

-거친코딩 드림-

안녕하세요!

혹시 학습자님이 받으신 에러를 해당 링크를 통해서 해결 가능하실까요~?

그래도 해결이 만약 힘드시다면 제가 데이터 샘플 몇개 받아서 테스트해보겠습니다:)

열심히 학습하시는 학습자님 응원합니다.!! 

감사합니다.

-거친코딩 드림-

학습자님 안녕하세요.!

Pivot은 x_train = x_train.pivot(index='user_id', columns='course_id',values='rating')

그대로 하시구

위에 x_train = x_train.set_index('user_id')를 제거해주시면 되겠습니다!

해보시구 리뷰 부탁드리겠습니다:)

감사합니다.