gabraganca

# Treinando algoritmo obtido com menor MAE
algo_svd_mae = gs.best_estimator['mae']
algo_svd_mae.fit(full_trainset)
print(get_rec_movies('Esposa', algo_svd_mae)) #Lista de filmes

# Treinando algoritmo obtido com menor RMSE
algo_svd_rmse = gs.best_estimator['rmse']
algo_svd_rmse.fit(full_trainset)
print(get_rec_movies('Esposa', algo_svd_rmse)) #Lista de filmes

gabraganca

# Obtém os resultados do Grid Search
df_results = pd.DataFrame.from_dict(gs.cv_results)
df_results.columns = df_results.columns.str.replace('param_','')

# Grafica os mapas de calor
n_epochs = len(param_grid['n_epochs'])
fig, axes = plt.subplots(nrows=n_epochs, ncols=3, figsize=(22, 6*n_epochs))

for ax_row, n_epoch in zip(axes, param_grid['n_epochs']):
    for ax, metric in zip(ax_row, ['mae', 'rmse', 'time']):

gabraganca

def get_rec_movies(user_id:str, algoritmo, n_top: int =10) -> pd.DataFrame:
    """
    Obtém uma lista de recomendação para N filmes para um 
    usuário.
    
    Parameters:
        user_id: o ID do usuário
        n_top: O número de filmes desejados
        
    Returns:

gabraganca

algo_base=BaselineOnly()
algo_base.fit(full_trainset)

gabraganca

# Implementação baseada em
# https://github.com/NicolasHug/Surprise/blob/master/examples/benchmark.py
set_cell_seed(MY_SEED)

# Os algortimos para verificar
classes = (SVD, BaselineOnly)

kf = KFold(random_state=MY_SEED)  # certifica que as dobras serão as mesmas

table = []

gabraganca

# Define a grade de hiperparâmetros
param_grid = {
    'n_factors': [10, 100, 200, 400],  
    'lr_all': [0.002, 0.005, 0.007, 0.009],
    'n_epochs':[20, 100, 200, 400]
}

# Ajusta os modelos na grade com Validação Cruzada
gs = GridSearchCV(SVD, param_grid, measures=['mae', 'rmse'], cv=5, n_jobs=-1)
gs.fit(data)

gabraganca

reader = Reader(rating_scale=(0.5, 5))
data = Dataset.load_from_df(df_ratings[['userId', 'movieId', 'rating']], 
                            reader)

full_trainset = data.build_full_trainset()

gabraganca

def add_rating(userId:str, movie_name:str, rating:float):
    """
    Adiciona a nota de um userId referente a filme.
    
    Parameters:
        
        userId: Id do usuário.
        movie_name: Nome do filme. Aceita Expressão Regular
        rating: Nota de 0.5 a 5 de 0.5 em 0.5.   
    """

gabraganca

dataset = 'ml-latest-small'

# Carrega as notas
df_ratings = pd.read_csv(f'{dataset}/ratings.csv',
                        dtype={'userId':str, 'movieId':str, 'rating':float})
df_ratings.drop('timestamp', axis=1, inplace=True)

# Carrega informação dos filmes:
df_movies = pd.read_csv(f'{dataset}/movies.csv', dtype=str)

gabraganca

import time
import datetime
import random
import pandas as pd
import numpy as np
from surprise import SVD, BaselineOnly, Reader, Dataset
from surprise.model_selection import GridSearchCV, cross_validate, KFold
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline