機械学習 映画レコメンデーション

今回の目的

機械学習・レコメンデーションの実装

今回のゴール

あるユーザーに好みの映画を予測して映画をおすすめ

アウトプットのイメージ

『ハリーポッター・秘密の部屋』を見た人には、●●（映画名）がおすすめ！

実装手順

1. ライブラリ、データのインポート
2. データの確認
3. データの処理
4. データの切り取り
5. データの関連付け
6. 「モノ」からレコメンデーションモデルの作成
7. 「人」からレコメンデーションモデルの作成

実装コード

Netflix - Movie recommendation | Kaggle

アウトプット

評価の分散

• 評価４が最も多い
• 評価４、３で全体の半数以上を占める
• 評価３以下の映画よりも、高評価（４・５）の映画のほうが多い

学習精度

• MAE,RMSEともに、１を下回っている

user_785314が好きそうな映画TOP10

'What the #$*! Do We Know!?'と相関が強い映画TOP10

X2: X-Men Unitedと相関が強い映画TOP10

• X-Menと相関が強い映画10本には、バットマンシリーズが５本あり、良作の相関が強いことを示唆している

この実装の難所

• movie_id列を追加する

• 映画をrecommendする

movie_id列を追加する

df_nan = pd.DataFrame(pd.isnull(df.Rating))

df_nan = df_nan[df_nan['Rating'] == True]

df_nan = df_nan.reset_index()

movie_np = []

movie_id = 1

for i,j in zip(df_nan['index'][1:],df_nan['index'][:-1]):

    # numpy approach

    temp = np.full*1

print('Length: {}'.format(len(movie_np)))

 

映画をrecommendする

 

def recommend(movie_title, min_count):

    print("For movie ({})".format(movie_title))

    print("- Top 10 movies recommended based on

Pearsons'R correlation - ")

    i = int(df_title.index[df_title['Name'] == movie_title][0])

    target = df_p[i]

    similar_to_target = df_p.corrwith(target)

    corr_target = pd.DataFrame(similar_to_target, columns = ['PearsonR'])

    corr_target.dropna(inplace = True)

    corr_target = corr_target.sort_values('PearsonR', ascending = False)

    corr_target.index = corr_target.index.map(int)

    corr_target = corr_target.join(df_title).join(df_movie_summary)

[['PearsonR', 'Name', 'count', 'mean']]

    print(corr_target[corr_target['count']>min_count][:10].

to_string(index=False))

*1:1,i-j-1), movie_id)

    movie_np = np.append(movie_np, temp)

    movie_id += 1

# Account for last record and corresponding length

# numpy approach

last_record = np.full((1,len(df) - df_nan.iloc[-1, 0] - 1),movie_id)

movie_np = np.append(movie_np, last_record)

print('Movie numpy: {}'.format(movie_np