https://github.com/msamuelsons/recomendar-anime

Recomenda anime com base nas escolhas do usuário
https://github.com/msamuelsons/recomendar-anime

anime machine-learning recommendation-system svd-matrix-factorisation

Last synced: 12 days ago
JSON representation

Recomenda anime com base nas escolhas do usuário

• Host: GitHub
• URL: https://github.com/msamuelsons/recomendar-anime
• Owner: Msamuelsons
• Created: 2023-10-21T02:03:51.000Z (over 1 year ago)
• Default Branch: main
• Last Pushed: 2023-10-21T14:00:56.000Z (over 1 year ago)
• Last Synced: 2024-11-21T07:12:08.728Z (2 months ago)
• Topics: anime, machine-learning, recommendation-system, svd-matrix-factorisation
• Language: Jupyter Notebook
• Homepage:
• Size: 38.1 KB
• Stars: 2
• Watchers: 2
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        
# Projeto de Recomendação de Animes usando a Biblioteca Surprise

![Poster animes](https://storage.googleapis.com/kaggle-datasets-images/571/1094/c633ae058ddaa59f43649caac1748cf4/dataset-cover.png)

Este projeto implementa um modelo de recomendação de animes com base nas preferências e histórico de visualização do usuário. A biblioteca Surprise, amplamente utilizada para sistemas de recomendação, é usada aqui, e diversos algoritmos de filtragem colaborativa são implementados para gerar recomendações personalizadas.

## Visão Geral

Este documento descreve a implementação e uso do modelo de recomendação de animes construído com a biblioteca Surprise. O modelo é projetado para sugerir animes com base nas preferências e histórico de visualização do usuário. O Surprise é uma biblioteca Python amplamente utilizada para sistemas de recomendação e tem uma variedade de algoritmos de filtragem colaborativa implementados para gerar recomendações personalizadas.

Para saber mais sobre o Surprise, acesse [Surprise](https://surpriselib.com/).

## Pré-requisitos

- Python

- Jupyter Notebook

- Biblioteca scikit-surprise

- Conjunto de dados de animes

  
 ou

- [Google Colab](https://colab.research.google.com/).

## Carregamento dos Dados

Os dados de avaliações de animes são carregados a partir de um arquivo CSV, e os dados de labels dos animes também são carregados a partir de um arquivo CSV. Os conjuntos de dados utilizados são do Kaggle.

## Análise Exploratória

Uma análise exploratória dos dados é realizada, incluindo estatísticas descritivas das avaliações, visualização da distribuição das notas e informações sobre a quantidade de animes, usuários e amostras no conjunto de dados.

## Preparando o Dataset

O dataset é preparado especificando o intervalo de valores esperados para as avaliações. Isso é importante para informar ao Surprise qual é o intervalo de classificação dos dados.

## Treinando o Modelo

O modelo de recomendação é treinado com os dados de treinamento usando o algoritmo SVDpp. Também é possível ajustar os parâmetros do modelo para obter melhores resultados.

## Predições

As previsões são feitas com o conjunto de teste e os resultados são exibidos.

## Encontrando Animes Recomendados

O modelo é usado para encontrar os 10 melhores animes recomendados para um usuário específico com base em suas preferências.

## Encontrando Animes Semelhantes

Além das recomendações para usuários, o modelo também encontra animes semelhantes a um anime específico usando o algoritmo KNN.

## Resultado

O resultado do modelo é avaliado usando a métrica RMSE (Root Mean Square Error) para medir o erro médio das previsões em relação aos valores reais.