欧美一级特黄大片做受成人-亚洲成人一区二区电影-激情熟女一区二区三区-日韩专区欧美专区国产专区

python中如何實現(xiàn)基于隨機梯度下降的矩陣分解推薦算法-創(chuàng)新互聯(lián)

這篇文章主要介紹python中如何實現(xiàn)基于隨機梯度下降的矩陣分解推薦算法,文中介紹的非常詳細,具有一定的參考價值,感興趣的小伙伴們一定要看完!

雷山ssl適用于網(wǎng)站、小程序/APP、API接口等需要進行數(shù)據(jù)傳輸應(yīng)用場景,ssl證書未來市場廣闊!成為創(chuàng)新互聯(lián)公司的ssl證書銷售渠道,可以享受市場價格4-6折優(yōu)惠!如果有意向歡迎電話聯(lián)系或者加微信:18980820575(備注:SSL證書合作)期待與您的合作!

SVD是矩陣分解常用的方法,其原理為:矩陣M可以寫成矩陣A、B與C相乘得到,而B可以與A或者C合并,就變成了兩個元素M1與M2的矩陣相乘可以得到M。

矩陣分解推薦的思想就是基于此,將每個user和item的內(nèi)在feature構(gòu)成的矩陣分別表示為M1與M2,則內(nèi)在feature的乘積得到M;因此我們可以利用已有數(shù)據(jù)(user對item的打分)通過隨機梯度下降的方法計算出現(xiàn)有user和item最可能的feature對應(yīng)到的M1與M2(相當(dāng)于得到每個user和每個item的內(nèi)在屬性),這樣就可以得到通過feature之間的內(nèi)積得到user沒有打過分的item的分數(shù)。

本文所采用的數(shù)據(jù)是movielens中的數(shù)據(jù),且自行切割成了train和test,但是由于數(shù)據(jù)量較大,沒有用到全部數(shù)據(jù)。

代碼如下:

# -*- coding: utf-8 -*-
"""
Created on Mon Oct 9 19:33:00 2017
@author: wjw
"""
import pandas as pd
import numpy as np
import os
 
def difference(left,right,on): #求兩個dataframe的差集
 df = pd.merge(left,right,how='left',on=on) #參數(shù)on指的是用于連接的列索引名稱
 left_columns = left.columns
 col_y = df.columns[-1] # 得到最后一列
 df = df[df[col_y].isnull()]#得到boolean的list
 df = df.iloc[:,0:left_columns.size]#得到的數(shù)據(jù)里面還有其他同列名的column
 df.columns = left_columns # 重新定義columns
 return df
 
def readfile(filepath): #讀取文件,同時得到訓(xùn)練集和測試集
 
 pwd = os.getcwd()#返回當(dāng)前工程的工作目錄
 os.chdir(os.path.dirname(filepath))
 #os.path.dirname()獲得filepath文件的目錄;chdir()切換到filepath目錄下
 initialData = pd.read_csv(os.path.basename(filepath))
 #basename()獲取指定目錄的相對路徑
 os.chdir(pwd)#回到先前工作目錄下
 predData = initialData.iloc[:,0:3] #將最后一列數(shù)據(jù)去掉
 newIndexData = predData.drop_duplicates()
 trainData = newIndexData.sample(axis=0,frac = 0.1) #90%的數(shù)據(jù)作為訓(xùn)練集
 testData = difference(newIndexData,trainData,['userId','movieId']).sample(axis=0,frac=0.1)
 return trainData,testData
 
def getmodel(train):
 slowRate = 0.99
 preRmse = 10000000.0
 max_iter = 100
 features = 3
 lamda = 0.2
 gama = 0.01 #隨機梯度下降中加入,防止更新過度
 user = pd.DataFrame(train.userId.drop_duplicates(),columns=['userId']).reset_index(drop=True) #把在原來dataFrame中的索引重新設(shè)置,drop=True并拋棄
 
 movie = pd.DataFrame(train.movieId.drop_duplicates(),columns=['movieId']).reset_index(drop=True)
 userNum = user.count().loc['userId'] #671
 movieNum = movie.count().loc['movieId'] 
 userFeatures = np.random.rand(userNum,features) #構(gòu)造user和movie的特征向量集合
 movieFeatures = np.random.rand(movieNum,features)
 #假設(shè)每個user和每個movie有3個feature
 userFeaturesFrame =user.join(pd.DataFrame(userFeatures,columns = ['f1','f2','f3']))
 movieFeaturesFrame =movie.join(pd.DataFrame(movieFeatures,columns= ['f1','f2','f3']))
 userFeaturesFrame = userFeaturesFrame.set_index('userId')
 movieFeaturesFrame = movieFeaturesFrame.set_index('movieId') #重新設(shè)置index
 
 for i in range(max_iter): 
  rmse = 0
  n = 0
  for index,row in user.iterrows():
   uId = row.userId
   userFeature = userFeaturesFrame.loc[uId] #得到userFeatureFrame中對應(yīng)uId的feature
 
   u_m = train[train['userId'] == uId] #找到在train中userId點評過的movieId的data
   for index,row in u_m.iterrows(): 
    u_mId = int(row.movieId)
    realRating = row.rating
    movieFeature = movieFeaturesFrame.loc[u_mId] 
 
    eui = realRating-np.dot(userFeature,movieFeature)
    rmse += pow(eui,2)
    n += 1
    userFeaturesFrame.loc[uId] += gama * (eui*movieFeature-lamda*userFeature) 
    movieFeaturesFrame.loc[u_mId] += gama*(eui*userFeature-lamda*movieFeature)
  nowRmse = np.sqrt(rmse*1.0/n)
  print('step:%f,rmse:%f'%((i+1),nowRmse))
  if nowRmse<preRmse:
   preRmse = nowRmse
  elif nowRmse<0.5:
   break
  elif nowRmse-preRmse<=0.001:
   break
  gama*=slowRate
 return userFeaturesFrame,movieFeaturesFrame
 
def evaluate(userFeaturesFrame,movieFeaturesFrame,test):
 test['predictRating']='NAN' # 新增一列
 
 for index,row in test.iterrows(): 
  
  print(index)
  userId = row.userId
  movieId = row.movieId
  if userId not in userFeaturesFrame.index or movieId not in movieFeaturesFrame.index:
   continue
  userFeature = userFeaturesFrame.loc[userId]
  movieFeature = movieFeaturesFrame.loc[movieId]
  test.loc[index,'predictRating'] = np.dot(userFeature,movieFeature) #不定位到不能修改值
  
 return test 
 
if __name__ == "__main__":
 filepath = r"E:\學(xué)習(xí)\研究生\推薦系統(tǒng)\ml-latest-small\ratings.csv"
 train,test = readfile(filepath)
 userFeaturesFrame,movieFeaturesFrame = getmodel(train)
 result = evaluate(userFeaturesFrame,movieFeaturesFrame,test)

在test中得到的結(jié)果為:

python中如何實現(xiàn)基于隨機梯度下降的矩陣分解推薦算法

NAN則是訓(xùn)練集中沒有的數(shù)據(jù)

以上是“python中如何實現(xiàn)基于隨機梯度下降的矩陣分解推薦算法”這篇文章的所有內(nèi)容,感謝各位的閱讀!希望分享的內(nèi)容對大家有幫助,更多相關(guān)知識,歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道!

當(dāng)前名稱:python中如何實現(xiàn)基于隨機梯度下降的矩陣分解推薦算法-創(chuàng)新互聯(lián)
本文網(wǎng)址:http://aaarwkj.com/article44/ccjjhe.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián),為您提供電子商務(wù)移動網(wǎng)站建設(shè)、App開發(fā)靜態(tài)網(wǎng)站、網(wǎng)站營銷、全網(wǎng)營銷推廣

廣告

聲明:本網(wǎng)站發(fā)布的內(nèi)容(圖片、視頻和文字)以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主,如果涉及侵權(quán)請盡快告知,我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場,如需處理請聯(lián)系客服。電話:028-86922220;郵箱:631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載,或轉(zhuǎn)載時需注明來源: 創(chuàng)新互聯(lián)

手機網(wǎng)站建設(shè)
超碰97国产资源在线| 日本一区中文字幕怎么用| 亚洲经典日韩欧美一区| 免费福利激情在线播放| 中文字幕乱码人妻一区二| 伊人久久亚洲精品综合| 久久99精品国产99久久无| 99热这里只有精品在线| 激情毛片av在线免费看| 日韩成人手机视频在线观看| 久久精品久久精品欧美大片| 亚洲午夜精品美女写真| 欧美亚日韩精品视频| 禁止未满十八在线观看| 亚洲欧美日本国产一区| 国产精品一级片一区二区| 日本午夜福利免费在线播放| 黑人巨大欧美一区二区| 91日本精品一区二区| 国产在线不卡免费精品| 亚洲成av人片青草影院| 午夜福利日本一区二区| 亚洲一区二区三区日本久久| 日韩精品国产一区二区在线观看| 欧美一区二区三区有限公司| 国产大神91一区二区三区| 中文字幕日韩乱码一级在线| 久草福利视频免费播放| 国产91日韩欧美在线观看| 亚洲一区二区精品自拍| 亚洲欧美日韩精品一区二| 99热在线精品国产观看| av在线中文字幕乱码 | 亚洲精品一区二区毛豆| 亚洲高清中文字幕一区二三区| 91桃色网站在线免费观看| 一起草视频在线观看视频| 亚洲国产成人欧美日韩另类| 亚洲综合香蕉在线视频| 亚洲一区二区三区欧美精品| 久久这里只有精品视频|