surprise庫官方文檔分析（二）：使用預測算法

1、使用預測算法

Surprise提供了一堆內置算法。所有算法都派生自AlgoBase基類，其中實現了一些關鍵方法（例如predict，fit和test）。可以在prediction_algorithms包文檔中找到可用預測算法的列表和詳細信息 。

每個算法都是全局Surprise命名空間的一部分，因此您只需要從Surprise包中導入它們的名稱，例如：

from surprise import KNNBasic
algo = KNNBasic()

這些算法中的一些可以使用基線估計，一些可以使用相似性度量。

（1）、基線估計配置

可以使用兩種不同的方式估算基線：

• 使用隨機梯度下降（SGD）。
• 使用交替最小二乘法（ALS）。

可以使用bsl_options 在創建算法時傳遞的參數來配置基線的計算方式。此參數是一個字典，其中的鍵'method'指示要使用的方法。可接受的值是'als'（默認）和'sgd'。根據其值，可以設置其他選項。

對於ALS:

　　reg_i:item的正則化參數。默認為10.

　　reg_u:user的正則化參數。默認為15.

　　n_epochs:ALS過程的迭代次數。默認為10.

對於SGD:

　　reg:優化的成本函數的正則化參數。默認為0.02.

　　learning_rate:SGD的學習率。默認為0.005.

　　n_epochs:SGD過程的迭代次數。默認為20.

不論SGD還是ALS，損失量默認為0.

例子：

print('Using ALS')
bsl_options = {'method': 'als',
               'n_epochs': 5,
               'reg_u': 12,
               'reg_i': 5
               }
algo = BaselineOnly(bsl_options=bsl_options)


print('Using SGD')
bsl_options = {'method': 'sgd',
               'learning_rate': .00005,
               }
algo = BaselineOnly(bsl_options=bsl_options)

#請注意，某些相似性度量可能會使用基線，例如 pearson_baseline相似性。無論基線是否用於實際預測r，配置的工作方式都相同

bsl_options  =  { 'method' ： 'als' ，
               'n_epochs' ： 20 ，
               } 
sim_options  =  { 'name' ： 'pearson_baseline' } 
algo  =  KNNBasic （bsl_options = bsl_options ， sim_options = sim_options ）

（2）：相似度配置

許多算法使用相似性度量來估計評級。它們的配置方式與基線評級類似：您只需sim_options在創建算法時傳遞參數即可。此參數是包含以下（所有可選）鍵的字典：

　　name:要使用的相似性的名稱，如similarities模塊中所定義 。默認是'MSD'。

　　user_based:是否在用戶之間或項目之間計算相似性。這對預測算法的性能有很大影響。默認是True。

　　min_support:共同項目的最小數目（當'user_based' 是'True'）或普通用戶的最小數目（當'user_based'是 'False'用於相似性）不為零

　　shrinkage:要應用的收縮參數（僅與pearson_baseline相似性相關 ）。默認值為100。

用法：

sim_options = {'name': 'cosine',
               'user_based': False  # compute  similarities between items
               }
algo = KNNBasic(sim_options=sim_options)

sim_options = {'name': 'pearson_baseline',
               'shrinkage': 0  # no shrinkage
               }
algo = KNNBasic(sim_options=sim_options)