- Añadir un método de test donde se pueda dividir la data en un porcentaje X de 'train' y un porcentaje 1-X de 'test'
- Añadir un modulo para cargar los principales datasets (como Movielens) o un dataset custom (desde un PATH o una URL)
- Añadir modelos de algoritmos de clustering o neural network
- Añadir metricas de error para recomendadores (como ALS)
- Cross validate:
- El método cross_validate() de sklearn necesita como parametro una metrica de error (scoring) que debe ser acorde a el tipo de estimador (si el estimador es de Clasificación o Regresion).
- Sklearn no reconoce correctamente los 'estimadores' de otras librerias (como Suprise o LightFM). No es posible utilizar cross_validate() sin usar el scoring='neg_mean_absolute_error'
- No es posible usar cross_validate() con modelos de LightFM (bpr y warp) por un fallo en la data de fit() --> error: ndarray is not C-contiguous
- Grid search: mismos problemas que en cross validate
- Poner los ejemplos en la carpeta example
- Dificultades con el path para direccionar los modulos de la libreria desde dentro de la carpeta example