2024-04-20 00:41:02 发布
网友
在使用非负矩阵分解生成建议时,如何为新用户重建数据?在
我遵循这个等式data.dot(H.T.dot(np.linalg.pinv(H.dot(H.T))).dot(H))进行重构,其中H代表潜在的成分,data由包含缺失条目的新数据组成。在
data.dot(H.T.dot(np.linalg.pinv(H.dot(H.T))).dot(H))
H
data
但是似乎有些地方出了问题,因为我没有得到预期的结果(那些来自其他方法的结果,比如sklearnmf,特别是inverse_transform方法)。在
inverse_transform
见https://cambridgespark.com/content/tutorials/implementing-your-own-recommender-systems-in-Python/index.html
对于pyothn scikit学习,您可以使用: http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.NMF.html
from sklearn.decomposition import NMF model = NMF(n_components=2, init='random', random_state=0) W = model.fit_transform(data) H = model.components_
其中data是要分解的矩阵。W和{}是非负因子
W
您可以通过WH'预测新的推荐或调用已完成的data矩阵
WH'
见https://cambridgespark.com/content/tutorials/implementing-your-own-recommender-systems-in-Python/index.html
对于pyothn scikit学习,您可以使用: http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.NMF.html
其中}是非负因子
data
是要分解的矩阵。W
和{您可以通过
WH'
预测新的推荐或调用已完成的data
矩阵相关问题 更多 >
编程相关推荐