推荐算法之BaselineOnly算法（Python实现）

要评估一个策略的好坏，就需要建立一个对比基线，以便后续观察算法效果的提升。

而Baseline算法的思想就是设立基线，并引入用户的偏差以及电影的偏差。

在上式中，等式中的是待求的基线模型中用户u给物品i打分的预估值；

等式右边的μ为所有用户对电影评分的均值；bu为user偏差（如果某用户比较苛刻，打分都相对偏低， 则bu会为负值；相反，如果某用户经常对很多片都打正分， 则bu为正值）； bi为item偏差，反映电影受欢迎程度。 

如果用户u未知，则假设偏差bu为零。 这同样适用于物品i。

Baseline模型虽然简单， 但其中其实已经包含了用户和item的个性化信息。在面对大规模数据时， 简单算法能够减少大量的计算时间。 

举个例子，所有电影的平均评分是7分，基准线就为7分；而泰坦尼克号是好的电影，它的评分偏高0.5分，因此基准线为7.5分；但小明是一位打分偏低的苛刻用户，他的历史数据显示他会偏低0.3分，那么最终基准线得到的预估分数就是7.2分。

计算基准线分数的公式中，μ可以直接统计得到，Bi和Bu可以通过最小二乘法计算得到。

Python代码实现：

from surprise import BaselineOnly
from surprise import Dataset

# 加载movielens-100k数据集
data = Dataset.load_builtin('ml-100k')

# 构建一个算法，并对其进行训练。
trainset = data.build_full_trainset()

# Build an algorithm, and train it.
algo = BaselineOnly()
algo.fit(trainset)

uid = str(196)  # raw user id (as in the ratings file). They are **strings**!
iid = str(302)  # raw item id (as in the ratings file). They are **strings**!

# get a prediction for specific users and items.
pred = algo.predict(uid, iid, r_ui=4, verbose=True)

输出结果：

Estimating biases using als...
user: 196        item: 302        r_ui = 4.00   est = 4.20   {'was_impossible': False}

最后

以上就是美好发箍为你收集整理的推荐算法之BaselineOnly算法（Python实现）的全部内容，希望文章能够帮你解决推荐算法之BaselineOnly算法（Python实现）所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。