Lab 06.02 Task 3

[moralesluis26]

Saludos.
Tengo una duda con este ejercicio, y es que ya realicé el código tal como lo dice la descripción y utilicé el código anterior, pero según la calificación tengo algo mal que aún no encuentro.
De antemano le agradezco la atención.

def find_similar(v,X,n):
from sklearn.decomposition import NMF
from numpy import linalg as la
nmf = NMF(n_components=30, init="random", random_state=0)
nmf = nmf.fit(X) ## your code here. call the 'fit' method
Xt = nmf.fit_transform(X) # use nmf to transform X
vt = nmf.fit_transform(v.reshape(1, -1)) # use nmf to transform v .. you will have to use reshape like this v.reshape(1,-1)
assert n<len(X), "n must at most the number of vectors in X"
from numpy import linalg as la
r = np.array([la.norm(vt-Xt[i]) for i in range(len(Xt))])
t = np.argsort(r)
result= t[0:n]
return result

Imagén de los resultados:

[Felipe-RA]

Saludos MoralesLuis

Disculpa la tardanza, ¡abrí tu post hace tres días y pensé que ya lo había respondido!

Primero, recordarte utilizar la estructura de bloques de código para hacer más legible tus preguntas:

def find_similar(v,X,n):
    from sklearn.decomposition import NMF
    from numpy import linalg as la
    nmf = NMF(n_components=30, init="random", random_state=0)
    nmf = nmf.fit(X) ## your code here. call the 'fit' method
    Xt = nmf.fit_transform(X) # use nmf to transform X
    vt = nmf.fit_transform(v.reshape(1, -1)) # use nmf to transform v .. you will have to use reshape like this v.reshape(1,-1)
    assert n<len(X), "n must at most the number of vectors in X"
    from numpy import linalg as la
    r = np.array([la.norm(vt-Xt[i]) for i in range(len(Xt))])
    t = np.argsort(r)
    result= t[0:n]
    return result

El problema está en tu aplicación de closest, que no retorna un arraylike válido con los indices requeridos para esta implementación.

Te recomiendo también para hacer más legible tu código (y que se vea mejor el flujo de las transformaciones) incluir en el código la función de closest en lugar de volcar su contenido en el código propio de find_similarity. Esto tiene el beneficio de que te permite identificar con mayor facilidad posibles problemas.

También, me gustaría recomendarte esta implementación de closest, la cual es más escueta y clara que la que intuyo de tu fragmento de código:

import numpy as np
from numpy import linalg as LA
result = np.argsort(LA.norm(v-X, axis=1))[:n]

Fijate como aquí te puedes ahorrar el list comprehension, la creación de un arreglo intermedio y el slicing del arreglo.

Cualquier duda me comentas!