surprise框架之使用预测算法（翻译）

surprise框架提供了一堆内建的算法。所有算法都来自AlgoBase基类，其中实现了一些关键方法（例如预测，拟合和测试）。可用预测算法的列表和详细信息可以在prediction_algorithms包文档中找到。

每个算法都是surprise的全局命名空间的一部分，所以你仅仅只需从surprise包中导入他们的名字即可，例如:

1 2	from surprise import KNNBasic algo = KNNBasic()

其中一些算法可能使用基准估计，有些可能使用相似性度量。我们将在这里回顾如何配置基线和相似性的计算方法。
我们来回顾一下基准估计和相似度估计.

基准估计设置

说明：
本节只适用于最小化正则化平方误差（或等价）的算法（或相似性度量）：

对于在另一个目标函数（例如SVD算法）中使用基线的算法，基线配置是不同的，对每个算法都是特定的。请参考他们自己的文档。

首先，如果你不想配置通过基准估计的方法，你也就无需进行修改，默认的参数也能很好的完成。如果你想更好，那这就是为你准备的。

你可能需要阅读这里,来了解什么是基准估计。
基准可以用两种方式进行估算：
使用随机梯度下降
使用交替最小二乘法

你可以配置使用bsl_options在创建算法时传递参数来计算基准的方法。这个参数是一个字典，其中’method’表示要使用的方法，接受的值是’ALS’(默认)和’SGD’，根据其值，可以设置其他选项，对于ALS:

‘reg_i’:表示项目的正规化参数，默认值是10；
‘reg_u’:表示用户的正规化参数，默认值是15；
‘n-epochs’: 表示ALS过程的迭代次数，默认是10.

对于SGD:

‘reg’:表示优化的成本函数的正规化参数，默认值是0.02
‘learing_rate’: 表示SGD的学习率，默认值是0.05
‘n-epochs’:表示SGD的迭代次数，默认值是20

对于两个处理方式（ALS和SGD），用户和物品的偏差都被初始化为0。

使用案例：
ALS:

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

SGD:

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

说明：一些相似性度量可能会用到基准，例如pearson_baseline相似。无论在实际的预测中是否用到r^ui，配置的工作都是相同的。

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

这将引导我们进行相似性度量配置，我们现在将对此进行回顾。

相似度估计配置

许多算法使用相似度度量来评分。

‘name’：在similarities模块中定义的相似度的名称。默认是’MSD’。
‘user_based’：是否在用户之间或项目之间计算相似度。这对预测算法的性能有很大的影响。默认是True。
‘min_support’：共同项目的最小数量（当’user_based’ 是’True’）或最小数量的普通用户
‘shrinkage’：要应用的收缩参数（仅与pearson_baseline相似性相关）。默认值是100。

代码：

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)
See also