推荐系统中TopN与kNN的区别

最新推荐文章于 2024-01-18 15:21:46 发布
最新推荐文章于 2024-01-18 15:21:46 发布
阅读量2.4k 收藏 1
点赞数
分类专栏： 机器学习算法 推荐系统
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u010412858/article/details/70155495
版权
KNN求相似用户或相似项目，根据相似用户或项目来辅助预测用户对项目的评分，指标一般是RMSE MAE
TOPN，可以理解为，在预测用户对未选择项目的评分，然后排序， 取前TOPN个项目（用户没有选择过的）推荐给用户，看命中率，指标一般是RECALL PRECISION AUC

TopN和kNN目的不同，TopN在kNN基础之上进行推荐，KNN只预测评分没做推荐

赵大寳Note
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
推荐系统：使用Pearson和KNN的推荐系统
02-17
推荐系统使用Pearson和KNN的推荐系统
knn算法的原理与实现
hellozhxy的博客
07-05 1万+
机器学习基础算法python代码实现可参考：zlxy9892/ml_code1 原理knn 是机器学习领域非常基础的一种算法，可解决分类或者回归问题，如果是刚开始入门学习机器学习，knn是一个非常好的入门选择，它有着便于理解，实现简单的特点，那么下面就开始介绍其算法的原理。首先，knn算法的基本法则是：相同类别的样本之间在特征空间中应当聚集在一起。如下图所示，假设我们现在红、绿、蓝三种颜色的点，分...
学习笔记之kNN算法
weixin_51130521的博客
07-10 727
1.、 kNN 算法的算法流程 kNN 算法其实是众多机器学习算法中最简单的一种，因为该算法的思想完全可以用 8 个字来概括：“近朱者赤，近墨者黑”。 假设现在有这样的一个样本空间，该样本空间里有宅男和文艺青年这两个类别，其中红圈表示宅男，绿圈表示文艺青年。如下图所示： 其实构建出这样的样本空间的过程就是 kNN 算法的训练过程。可想而知 kNN 算法是没有训练过程的，所以 kNN 算法属于懒惰学习算法。 假设我在这个样本空间中用黄圈表示，如下图所示： 现在使用 kNN 算法来鉴别一下我
KNN中的优化算法KD-tree
Miracle.Zhao的博客
09-26 7128
我们知道KNN是基于距离的一个简单分类算法，熟悉KNN的都知道，我们要不断计算两个样本点之间的距离，但是，试想一下，如果数据量特别大的时候，我们要每个都计算一下，那样计算量是非常大的，所以提出了一种优化KNN的算法-----kd-tree. 实现k近邻法时，主要考虑的问题是如何对训练数据进行快速k近邻搜索。这在特征空间的维数大及训练数据容量大时尤其必要。k近邻法最简单的实现是线性扫描（穷
UserCF、 KNN 和 TopK
s1162276945的博客
04-26 1458
基于用户的协同过滤算法也被称为最近邻协同过滤或KNN (K．Nearest Neighbor,K最近邻算法)。其核心思想就是，首先根据相似度计算出目标用户的邻居集合，然后用邻居用户评分的加权组合来为目标用户作推荐。 https://blog.csdn.net/wenyusuran/article/details/44491495 KNN求相似用户或相似项目，根据相似用户或项目来辅助预测...
k-means，KNN，二分斐波那契查找
sidnee的博客
04-19 311
k-means类聚与KNN中的top-k问题，以及二分查找与斐波那契查找的比较k-means类聚算法k-means算法思想代码KNN算法二分与斐波那契查找比较如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图...
「10」民主投票法——KNN的秘密
Machine Learning with Tutors
02-14 2325
KNN，全称是K-Nearest Neighbor，也就是最近邻算法。这个算法虽然没有雅典制度那么历史悠久，但也比我们想象的要古老。Cover 和 Hart 早在 1968 年就提出了最初的邻近算法，用于解决分类的问题。我们在前几期提到了分类问题的本质，大家可以回忆一下当作复习。它是所有机器学习分类算法中最简单的方法之一，如果你已经回忆了前几期的文章，那么一定会反应过来，它同时也可以被用来做回归算法。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。...
推荐系统的评价指标--------命中率（Hit Rate）、平均倒数排名（MRR）和归一化折扣累积增益（NDCG）
最新发布
m0_68682144的博客
01-18 1654
命中率是衡量推荐系统准确性的指标之一。它表示。命中率的计算非常直接。你只需要统计推荐列表中用户实际感兴趣的项目数量，然后除以测试集中用户实际感兴趣的总项目数量。示例：假设一个用户在测试集中对5个项目感兴趣，推荐系统推荐了10个项目，其中3个是用户实际感兴趣的，那么命中率为 3/5 = 0.6。
推荐系统常用评价指标
weixin_39586997的博客
06-30 4028
1.命中率HR(Hits Ratio) 意义：关心用户想要的，我有没有推荐到，强调预测的“准确性” 参数说明: N:用户的总数量 hits(i):第i个用户访问的值是否在推荐列表中，是则为1，否则为0 2.归一化折损累计增益(Normalized Discounted Cumulative Gain，NDCG) 意义：关心找到的这些项目，是否放在用户更显眼的位置里，即强调“顺序性“ 参数说明： N:用户的总数量 p i : 第 i 个 用 户 的 真 实 访 问 值 在 推 荐 列 表.
Recommender-System:利用MovieLens数据，Pearson相似度，分别基于User和Item构建一个简单的kNN推荐系统，并进行RMSE评价
03-11
推荐系统 利用MovieLens数据，Pearson相似度，分别基于User和Item构建一个简单的kNN推荐系统，并进行RMSE评价
基于KNN的电影推荐系统.rar
04-30
基于KNN的电影推荐系统
基于KNN模式识别系统的设计与实现代码大全.doc
10-19
基于KNN模式识别系统的设计与实现代码大全.doc基于KNN模式识别系统的设计与实现代码大全.doc基于KNN模式识别系统的设计与实现代码大全.doc
python人工智能/knn分类器婚恋网配对推荐系统
01-06
需求:某女士, 一直在某婚恋网站上寻找自己中意的他, 网站给她推荐了很多男士, 但是她并不是每个都喜欢, 网站统计了这些男士的情况 ，比如这些男士一般有以下3个特征:1.每年获得的飞行常客里程数,2.玩视频游戏所消耗...
Book-Recommend-CF-KNN-master_推荐系统_
09-30
进行书籍推荐系统实现，文件中含有实例，完整地推荐逻辑
机器学习各种相似性度量及Python实现
热门推荐
赵大宝的博客
03-05 2万+
用scikit cosine_similarity、pairwise_distances计算向量相似度
数据挖掘中对Categorical特征的处理
赵大宝的博客
04-19 1万+
Categorical特征常被称为离散特征、分类特征，数据类型通常是object类型，而我们的机器学习模型通常只能处理数值数据，所以需要对Categorical数据转换成Numeric特征。 Categorical特征又有两类，我们需要理解它们的具体含义并进行对应的转换。 Ordinal 类型：这种类型的Categorical存在着自然的顺序结构，如果你对Ordinal 类型数据进行排序的话...
XGBoost自定义测评函数eval_metric
赵大宝的博客
04-29 1万+
How to custom evaluation metric for XGBoost in Python # -*- coding: utf-8 -*- from sklearn.cross_validation import train_test_split from sklearn.datasets import load_digits import xgboost as xgb fr...
整理Sigmoid~Dice常见激活函数，从原理到实现
赵大宝的博客
02-21 6369
本文首发于我的个人博客： 激活函数：https://fuhailin.github.io/activation-functions/ 并同步于我的公众号：赵大寳Note（ID：StateOfTheArt），回复关键词【激活函数】下载全部代码。 激活函数之性质 1. 非线性：即导数不是常数。保证多层网络不退化成单层线性网络。这也是激活函数的意义所在。 2. 可微性：保证了在优化中梯度的可计算性。虽...
knn算法C++实现代码
09-12
### 回答1： KNN算法的C语言实现代码如下： int k = 3; int[] distances = new int[trainingSetSize]; // Find distances from x to all training data for (int i = 0; i < trainingSetSize; i++) distances[i] = calculateDistance(x, trainingData[i]); // Sort the distances in ascending order sort(distances); // Take the top k elements int[] neighbors = new int[k]; for (int i = 0; i < k; i++) neighbors[i] = distances[i]; // Find the majority label from the neighbors int majorityLabel = findMajority(neighbors); // Return the majority label return majorityLabel; ### 回答2： knn算法是一种简单且易于理解的分类算法。下面是一个使用C语言实现的knn算法的示例代码： ```c #include <stdio.h> #include <math.h> #define K 3 // 设置k值为3 typedef struct { double x; double y; int label; } Point; int classify(Point train[], Point test) { // 计算测试点到训练集中各个点的距离 double distances[K]; for (int i = 0; i < K; i++) { double dx = train[i].x - test.x; double dy = train[i].y - test.y; distances[i] = sqrt(dx*dx + dy*dy); } // 根据距离对训练集中的点进行排序 for (int i = 0; i < K-1; i++) { for (int j = i+1; j < K; j++) { if (distances[i] > distances[j]) { double tempDist = distances[i]; distances[i] = distances[j]; distances[j] = tempDist; int tempLabel = train[i].label; train[i].label = train[j].label; train[j].label = tempLabel; } } } // 统计k个最近邻点中标签数量最多的类别 int labels[K] = {0}; for (int i = 0; i < K; i++) { labels[train[i].label]++; } int maxLabel = 0; int maxCount = 0; for (int i = 0; i < K; i++) { if (labels[i] > maxCount) { maxCount = labels[i]; maxLabel = i; } } return maxLabel; } int main() { // 训练集 Point train[] = {{1.0, 1.0, 0}, {2.0, 2.0, 0}, {4.0, 4.0, 1}, {5.0, 5.0, 1}}; // 测试点 Point test = {3.0, 3.0, 0}; // 使用knn算法进行分类 int label = classify(train, test); printf("测试点的类别为：%d\n", label); return 0; } ``` 该示例代码中定义了一个结构体`Point`，其中包含了点的坐标和标签。`classify`函数用于对测试点进行分类，首先计算测试点与训练集中各点的距离，并将训练集中的点按照距离进行排序。然后统计k个最近邻点中标签数量最多的类别作为测试点的类别。在`main`函数中，定义了一个训练集和一个测试点，并调用`classify`函数进行分类，并输出分类结果。 以上就是一个使用C语言实现knn算法的基本示例代码，根据实际需求，可以在此基础上进行进一步的修改和优化。 ### 回答3： knn算法是一种常用的分类算法，它的原理是通过计算待分类样本与已知样本的距离，然后取距离最近的k个已知样本的类别进行投票，最终确定待分类样本的类别。下面是knn算法的C语言实现代码示例： ```c #include <stdio.h> #include <math.h> // 计算欧氏距离 double calcDistance(double *sample1, double *sample2, int n) { double sum = 0.0; for (int i = 0; i < n; i++) { sum += pow(sample1[i] - sample2[i], 2); } return sqrt(sum); } // knn分类函数 int knnClassify(double **samples, int *labels, double *testSample, int k, int nSamples, int nFeatures) { double distances[nSamples]; // 计算所有样本与测试样本的距离 for (int i = 0; i < nSamples; i++) { distances[i] = calcDistance(samples[i], testSample, nFeatures); } // 根据距离排序 int sortedIndices[nSamples]; for (int i = 0; i < nSamples; i++) { sortedIndices[i] = i; } for (int i = 0; i < nSamples - 1; i++) { for (int j = i + 1; j < nSamples; j++) { if (distances[j] < distances[i]) { // 交换距离和索引 double tempDist = distances[i]; distances[i] = distances[j]; distances[j] = tempDist; int tempIndex = sortedIndices[i]; sortedIndices[i] = sortedIndices[j]; sortedIndices[j] = tempIndex; } } } // 统计k个最近邻样本的类别 int classCount[nSamples]; for (int i = 0; i < nSamples; i++) { classCount[i] = 0; } for (int i = 0; i < k; i++) { classCount[labels[sortedIndices[i]]]++; } // 选择类别最多的作为测试样本的预测类别 int maxCount = 0; int predictedLabel = -1; for (int i = 0; i < nSamples; i++) { if (classCount[i] > maxCount) { maxCount = classCount[i]; predictedLabel = i; } } return predictedLabel; } int main() { // 样本数据和标签 double samples[5][2] = {{1.0, 1.0}, {1.5, 2.0}, {3.0, 4.0}, {5.0, 7.0}, {4.5, 5.0}}; int labels[5] = {0, 0, 1, 1, 1}; // 测试样本 double testSample[2] = {3.5, 5.0}; // 设置参数 int k = 3; // k值，即最近邻个数 int nSamples = 5; // 样本个数 int nFeatures = 2; // 特征维度 // 调用knn分类函数 int predictedLabel = knnClassify(samples, labels, testSample, k, nSamples, nFeatures); printf("测试样本的预测类别为：%d\n", predictedLabel); return 0; } ``` 以上是一个简单的knn算法的C语言实现代码，通过给定一组样本数据和对应的标签，以及待测试的样本数据，通过调用knnClassify函数，可以得到待测试样本的预测类别。其中，calcDistance函数用于计算欧氏距离，knnClassify函数用于执行knn分类算法。请根据实际需要修改样本数据、标签、测试样本和参数等内容。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值