movies). This time, as a regression

movies). This time, as a regression method, for variety, we are going to be using the
LassoCV class:
from sklearn.linear_model import LassoCV
reg = LassoCV(fit_intercept=True, alphas=[.125,.25,.5,1.,2.,4.])
By passing the constructor an explicit set of alphas, we can constrain the values
that the inner cross-validation will use. You may note that the values are multiples
of two, starting with 1/8 up to 4. We will now write a function which learns a
model for the user i:
# isolate this user
u = reviews[i]
We are only interested in the movies that the user u rated, so we must build up the
index of those. There are a few NumPy tricks in here: u.toarray() to convert from
a sparse matrix to a regular array. Then, we ravel() that array to convert from a
row array (that is, a two-dimensional array with a first dimension of 1) to a simple
one-dimensional array. We compare it with zero and ask where this comparison is
true. The result, ps, is an array of indices; those indices correspond to movies that
the user has rated:
u = u.array().ravel()
ps, = np.where(u > 0)
# Build an array with indices [0...N] except i
us = np.delete(np.arange(reviews.shape[0]), i)
x = reviews[us][:,ps].T
Finally, we select only the movies that the user has rated:
y = u[ps]
Cross-validation is set up as before. Because we have many users, we are going to
only use four folds (more would take a long time and we have enough training data
with just 80 percent of the data):
err = 0
kf = KFold(len(y), n_folds=4)
for train,test in kf:
# Now we perform a per-movie normaliz

Kết quả (Việt) 1:

phim điện ảnh). Thời gian này, như là một phương pháp hồi qui, đa dạng, chúng tôi sẽ sử dụng cácLassoCV lớp:từ sklearn.linear_model nhập khẩu LassoCVreg = LassoCV (fit_intercept = True, alphas=[.125,.25,.5,1.,2.,4.])Bằng cách đi qua các nhà xây dựng một thiết lập rõ ràng của alphas, chúng tôi có thể cố định các giá trịrằng đường bên trong, xác nhận sẽ sử dụng. Bạn có thể lưu ý rằng các giá trị là bộicủa hai, bắt đầu với 1/8 lên đến 4. Chúng tôi bây giờ sẽ viết một chức năng mà học mộtMô hình cho người dùng i:# cô lập người dùng nàyu = đánh giá [i]Chúng tôi là chỉ quan tâm đến những bộ phim u người dùng đánh giá cao, do đó, chúng ta phải xây dựng cácchỉ số của những người. Có một vài thủ thuật NumPy ở đây: u.toarray() để chuyển đổi từmột ma trận thưa thớt đến một mảng thường xuyên. Sau đó, chúng tôi ravel() rằng mảng để chuyển đổi từ mộthàng loạt (có nghĩa là, một mảng hai chiều với một kích thước đầu tiên của 1) để một đơn giảnhết mảng. Chúng tôi so sánh nó với zero và yêu cầu sự so sánh này ở đâusự thật. Kết quả, ps, là một loạt các chỉ số; những chỉ số tương ứng với phim màngười dùng có Xếp hạng:u = u.array().ravel()PS, = np.where (u > 0)# Xây dựng một mảng với các chỉ số [0... N] ngoại trừ tôichúng tôi = np.delete(np.arange(reviews.shape[0]), tôi)x = giá [chúng tôi] [:, ps].TCuối cùng, chúng tôi chọn chỉ xem phim mà người dùng đã đánh giá cao:y = u [ps]Cross-xác nhận được thiết lập như trước. Bởi vì chúng tôi có nhiều người sử dụng, chúng tôi sẽ đểchỉ sử dụng bốn nếp gấp (thêm sẽ mất một thời gian dài và chúng tôi có đủ dữ liệu đào tạovới chỉ 80 phần trăm của dữ liệu):err = 0KF = KFold(len(y), n_folds = 4)chuyến tàu, kiểm tra trong kf:# Bây giờ chúng tôi thực hiện một normaliz cho một bộ phim

Kết quả (Việt) 2:

phim). Lần này, như là một phương pháp hồi quy, cho nhiều, chúng ta sẽ được sử dụng các
lớp LassoCV:
nhập khẩu sklearn.linear_model LassoCV
.. reg = LassoCV (fit_intercept = True, Alpha = [125, .25, .5,1, 2., 4.])
Bằng cách vượt qua các nhà xây dựng một tập hợp rõ ràng của bản alpha, chúng ta có thể hạn chế các giá trị
mà qua xác nhận bên trong sẽ sử dụng. Bạn có thể lưu ý rằng các giá trị là bội số
của hai, bắt đầu từ 1/8 đến 4. Chúng ta sẽ viết một chức năng mà học được một
mô hình cho người dùng i:
# cô lập người dùng này
u = đánh giá [i]
Chúng tôi chỉ quan tâm đến những bộ phim mà người dùng đánh giá u, vì vậy chúng tôi phải xây dựng các
chỉ số của những người. Có một vài thủ thuật NumPy ở đây: u.toarray () để chuyển đổi từ
một ma trận thưa thớt để một mảng thường xuyên. Sau đó, chúng tôi Ravel () mảng đó để chuyển đổi từ một
mảng hàng (có nghĩa là, một mảng hai chiều với một kích thước đầu tiên trong số 1) cho một đơn giản
mảng một chiều. Chúng tôi so sánh nó với số không và hỏi so sánh này là
đúng sự thật. Kết quả, ps, là một mảng của các chỉ số; những chỉ số tương ứng với những bộ phim mà
người dùng đã đánh giá:
. u = u.array () làm rối ()
ps, np.where = (u> 0)
# Xây dựng một mảng với chỉ số [0 ... N] i trừ
chúng tôi = np.delete (np.arange (reviews.shape [0]), i)
x = đánh [chúng tôi] [:, ps] .T
Cuối cùng, chúng tôi chỉ chọn những bộ phim mà người dùng đã đánh giá:
y = u [ps]
Cross-validation được thiết lập như trước. Bởi vì chúng tôi có nhiều người sử dụng, chúng ta sẽ
chỉ sử dụng bốn nếp gấp (hơn sẽ mất một thời gian dài và chúng tôi có đủ dữ liệu đào tạo
chỉ với 80 phần trăm của dữ liệu):
err = 0
= kf KFold (len (y), n_folds = 4)
cho tàu, kiểm tra trong kf:
# Bây giờ chúng tôi thực hiện một normaliz mỗi phim