python
文章平均质量分 76
akiyamamio11
いつかできるから今日できる
展开
-
item-cf改进
接之前的item-cf算法,又了解了一下numpy,pandas等内容后,有了更简单方便的求item-cf的思路,但是有个问题,由于数据量的关系,速度非常慢,下面这个方法虽然代码很简单,但在实际运行过程中非常慢。。。。代码如下from pandas import Series,DataFrameimport pandas as pdimport numpy as npimport p原创 2017-11-14 22:27:30 · 629 阅读 · 0 评论 -
机器学习实战 adaBoost
from numpy import *from blaze import inffrom scipy.cluster.hierarchy import weighteddef loadSimpData(): dataMat=matrix([[1.,2.1],[2.,1.1],[1.3,1.],[1.,1.],[2.,1.]]) classLabels=[1.0,1.0,-原创 2017-12-02 14:49:30 · 449 阅读 · 0 评论 -
机器学习实战 回归
from numpy import *import matplotlib.pyplot as pltdef loadDataSet(filename): numFeat=len(open(filename).readline().split('\t'))-1 dataMat=[] labelMat=[] fr=open(filename) for l原创 2017-12-02 21:15:19 · 335 阅读 · 0 评论 -
机器学习实战 树回归
from numpy import *import matplotlib.pyplot as pltdef loadDataSet(filename): numFeat=len(open(filename).readline().split('\t'))-1 dataMat=[] labelMat=[] fr=open(filename) for l原创 2017-12-03 15:10:09 · 258 阅读 · 0 评论 -
机器学习实战 Kmeans
from numpy import *from blaze import infdef loadDataSet(filename): dataMat=[] fr=open(filename) for line in fr.readlines(): curLine=line.strip().split('\t') fltLine=[flo原创 2017-12-03 17:56:06 · 439 阅读 · 1 评论 -
图书推荐系统的推荐算法测试
测试目的1.我们想要确认现在使用的推荐算法到底效果如何,能否达到用户的期望2.由于推荐系统中广泛使用的有三种主要的距离计算方法,分别是pearson相似度,欧氏距离和角距离,这三种算法在推荐系统中都具有良好的使用性,为了测试哪种距离计算方法是最适合这个图书推荐系统的,我们进行一次测试测试方法这次测试的基本思想如下:我们的推荐系统以及可以通过协同过滤算法推测某个用户对一本未读过书原创 2017-12-06 13:28:03 · 12435 阅读 · 2 评论