知识卡片
三模型对比UBCF最优
用 evaluationScheme(Jester5k, method=“split”, train=0.7, given=10) 固定随机种子后划分:70% 用户作训练,30% 作测试;每个测试用户取 10 个已知评分作输入,其余为未知,用于检验预测。recommenderlab 的 Recommender() 用同一训练集建立三个模型:UBCF(method=“pearson”, nn=30,取 30 个相似用户)、IBCF(pearson, k=30)、SVD。predict(…, type=“ratings”) 对 known 之外的物品逐格预测,calcPredictionAccuracy() 与 unknown 实际值比较,输出 RMSE 等指标。本例 RMSE 为 UBCF 4.68、IBCF 4.968、SVD 5.318,UBCF 最好;一个解释是该数据评分密度高达 72.42%,用户邻域证据充足,而笑话之间的相似结构较弱。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第9章 推荐系统
原书出处 · 1 处
- 第9章 推荐系统 · 查看原书依据
首先从Jester5k数据集当中抽取70%的用户数据作为训练样本,将剩余30%的用户数据作为测试样本,对于剩余30%的用户,将每个人所评分的物品分为已知(known)和未知(unknown)部分
参考来源
- 位置:《大数据挖掘与统计机器学习》第9章 推荐系统(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter11_0003.xhtml,9.3 上机实践)
- 结论依据:原文给出 70/30 划分与 given=10 的代码、UBCF/IBCF/SVD 三个模型的参数设置、预测与 calcPredictionAccuracy 的评价流程,并明确 UBCF 的 RMSE 最低。
- 原始内容:首先从Jester5k数据集当中抽取70%的用户数据作为训练样本,将剩余30%的用户数据作为测试样本,对于剩余30%的用户,将每个人所评分的物品分为已知(known)和未知(unknown)部分