Py之scikit | 您所在的位置:网站首页 › fmm头像包怎么安装 › Py之scikit |
Py之scikit-surprise:scikit-surprise的简介、安装、使用方法之详细攻略 目录 scikit-surprise的简介 1、基准测试 Movielens 100k Movielens 1M scikit-surprise的安装 scikit-surprise的使用方法 1、基础用法 (1)、简单的示例,展示如何(下)载数据集,将其拆分为5折交叉验证,并计算SVD算法的MAE和RMSE scikit-surprise的简介Surprise,Simple Python RecommendatIon System Engine,是一个用于构建和分析处理显式评分数据的Python scikit推荐系统工具。Surprise的设计目的包括: >> 为用户提供对实验的完全控制。为此,我们强调文档,试图通过指出算法的每个细节使其尽可能清晰和精确。 >> 缓解数据集处理的痛苦。用户可以使用内置数据集(Movielens、Jester)和自定义数据集。 >> 提供各种可用的预测算法,如基线算法、邻域方法、基于矩阵分解的算法(SVD、PMF、SVD++、NMF)等。此外,还内置了各种相似度度量(余弦、MSD、皮尔逊等)。 >> 使新算法思路的实现变得简单。 >> 提供评估、分析和比较算法性能的工具。可以使用强大的CV迭代器(受scikit-learn优秀工具启发)轻松运行交叉验证过程,以及对一组参数进行详尽搜索。 请注意,Surprise不支持隐式评分或基于内容的信息。 1、基准测试以下是各种算法(使用默认参数)在5折交叉验证过程中的平均RMSE、MAE和总执行时间。数据集包括Movielens 100k和1M数据集,所有算法使用相同的折叠。所有实验在一台搭载Intel i5第11代2.60GHz处理器的笔记本电脑上运行。生成这些表格的代码可以在基准测试示例中找到。 Movielens 100k Movielens 100kRMSEMAETimeSVD0.9340.7370:00:06SVD++ (cache_ratings=False)0.9190.7210:01:39SVD++ (cache_ratings=True)0.9190.7210:01:22NMF0.9630.7580:00:06Slope One0.9460.7430:00:09k-NN0.980.7740:00:08Centered k-NN0.9510.7490:00:09k-NN Baseline0.9310.7330:00:13Co-Clustering0.9630.7530:00:06Baseline0.9440.7480:00:02Random1.5181.2190:00:01 Movielens 1M Movielens 1MRMSEMAETimeSVD0.8730.6860:01:07SVD++ (cache_ratings=False)0.8620.6720:41:06SVD++ (cache_ratings=True)0.8620.6720:34:55NMF0.9160.7230:01:39Slope One0.9070.7150:02:31k-NN0.9230.7270:05:27Centered k-NN0.9290.7380:05:43k-NN Baseline0.8950.7060:05:55Co-Clustering0.9150.7170:00:31Baseline0.9090.7190:00:19Random1.5041.2060:00:19 scikit-surprise的安装 pip install numpy pip install scikit-surprise pip install -i https://mirrors.aliyun.com/pypi/simple scikit-surprise 或者利用conda conda install -c conda-forge scikit-surprise 或者从最新的源代码构建 pip install numpy cython git clone https://github.com/NicolasHug/surprise.git cd surprise python setup.py install |
CopyRight 2018-2019 实验室设备网 版权所有 |