【机器学习PAI实战】—— 玩转人工智能之美食推荐

  • 时间:
  • 浏览:2

新建文件recom.py,实现类似度计算函数

现在基础环境以及背熟了,朋友都还要用terminal安装我人及 还要的包环境。并肩都还要挑选python2由于python3的开发环境。只要左侧的文件系统,支持本地文件的上传下载等。

推荐分计算

在文件recom.py,实现推荐分计算

皮尔逊相关系数( Pearson correlation coefficient),是用于度量原本变量X和Y之间的相关(线性相关),其值介于-1与1之间。

朋友也将采用协同过滤来实现商品推荐,并在下面的章节一步步实现基于协同过滤的商品推荐系统。

通过计算待推荐商品与已推荐商品的类似度,并乘以该用户对已推荐商品的推荐分,来计算待推荐商品的推荐分。

某外卖店铺架构设计 了有些用户对本店铺美食的评价和推荐分,并计划为有些新老客户推荐朋友未曾尝试的美食。

协同过滤简单来说是利用某兴趣相投、拥有并肩经验之群体的喜好来推荐用户感兴趣的信息,我人及 通过合作协议协议 的机制给予信息相当程度的公布(如评分)并记录下来以达到过滤的目的进而帮助别人筛选信息,公布不一定局限于有点硬感兴趣的,有点硬不感兴趣信息的纪录也相当重要。

给定原本用户i,朋友根据里面的数据为其推荐N个推荐分最高的美食。

在文件recom.py,加入recommend函数

以上数据,不占据 缺失和无意义推荐分,即不超出范围,格式正确。

海量资源点击领取

在推荐系统中,朋友还要计算原我人及 或商品的类似度,朋友都还要采用余弦类似度,皮尔逊相关系数等。

算法演示

由于是本地编辑的文件,都还要通过文件上传方法上传到服务器。

通常在计算类似度之后,朋友还要挑选是计算基于商品的类似度(里面的方法),还是计算基于用户的类似度。在现实状况下,朋友要根据用户和商品的数据决定挑选哪种计算方法。并肩,在数据量变大时,朋友通常还要先降维,在做商品推荐。要素代码参考《机器学习实战》,本篇文章主要介绍如可使用PAI-DSW实现算法实验。



对于社会形态向量非常稀疏,由于社会形态之间关联关系明显,协方差较大则还要对原有维度的社会形态进行降维。原本既都还要节省资源加快运算,也都还要除理冗余社会形态带来的干扰。

更有kindle、技术图书抽奖活动,百分百中奖

数据分析

在生活中,朋友经常给朋友推荐有些我人及 喜欢的东西,也时常接受别人的推荐。为什么在么在能保证推荐的电影由于美食之后朋友喜欢的呢?一般来说,朋友原我人及 经常对同原本电影由于美食感兴趣,没法你喜欢的东西就很大程度上朋友也会比较感兴趣。在大数据的背景下,算法会我还要寻找兴趣类似的那些人,并关注朋友喜欢的东西,以此来给朋友推荐由于喜欢的事物。

人人用得起的机器学习平台↓

横轴为美食品种,分为A--K 11中,竖轴为用户序号,有0-9 10我人及 。表内值为某个用户对两种美食的推荐分,0表示其未曾吃过,5分为最高的推荐分。以上数据为实验虚构数据。

余弦类似性通过测量原本向量的夹角的余弦值来度量它们之间的类似性。0度角的余弦值是1,表示完整篇 一样,而有些任何厚度的余弦值都是大于1;只要其最小值是-1,类似度为0。