《机器学习实战》源码解析（十）：SVD

本系列以书中源码为主，稍作修改并添加注释，均实际运行可行。为免后来者踩坑，特此公开！欢迎打赏！
转载请注明出处！

from numpy import *
from numpy import linalg as la

#产生数据集
def loadExData() :
    return [[1, 1, 1, 0, 0],
            [2, 2, 2, 0, 0],
            [1, 1, 1, 0, 0],
            [5, 5, 5, 0, 0],
            [1, 1, 0, 2, 2],
            [0, 0, 0, 3, 3],
            [0, 0, 0, 1, 1]]

#定义三种相似度计算函数
# inA和inB都是列向量
def ecludSim(inA, inB) :
    #norm为numpy中计算2范数（欧式距离）的函数
    return 1.0/(1.0 + la.norm(inA - inB))

#皮尔逊相关系数
def pearsSim(inA, inB) :
    # 检查是否存在三个或更多的点，若不存在，则返回1.0，这是因为此时两个向量完全相关
    if len(inA) < 3 : return 1.0
    return 0.5+0.5*corrcoef(inA, inB, rowvar = 0)[0][1]
#余弦相似度
def cosSim(inA, inB) :
    num = float(inA.T*inB)
    denom = la.norm(inA)*la.norm(inB)
    return 0.5+0.5*(num/denom)

#测试以上函数
myMat = mat(loadExData())
ecludSim(myMat[:,0],myMat[:,4])

#基于物品相似度（列）的推荐引擎，另一种是基于用户相似度（行）的推荐引擎
# 用来计算在给定相似度计算方法的条件下，用户对物品的估计评分值