matrixFactorizationSVDppwithMetrics.py-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_43350003/article/details/106875136

本文介绍了一种基于SVD++算法的电影评分预测方法，并通过Python实现，对比了SVD和SVD++算法的性能。文章详细展示了如何使用surprise库进行模型训练和评估，包括加载数据集、设置评估器、运行评估过程以及展示推荐结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

matrixFactorizationSVDppwithMetrics.py

这个.py文件和上一个文件非常相似，只是在算法上进行了升级，把SVD算法升级为了SVD++算法，但是使用的仅仅是默认参数。
下面是详细注释代码：

from MovieLens import MovieLens
from surprise import SVDpp
from Evaluator import Evaluator
import random
import numpy as np
from time import time

# 设置相同的随机种子
np.random.seed(0)
random.seed(0)


# 导入常规数据集函数
def LoadMovieLensData():
    ml = MovieLens()
    print('Loading movie ratings..')
    data = ml.loadMovieLensDataset()
    # 计算电影的受欢迎程度
    rankings = ml.getPopularityRanks()
    return ml, data, rankings


# 加载常规数据集
(ml, evaluationData, rankings) = LoadMovieLensData()

# 构建一个评估器
evaluator = Evaluator(evaluationData, rankings)

# SVD++（SVD的改进算法）算法
SVDPlusPlus = SVDpp() # 使用surprise内置的SVDpp算法，使用默认参数

# 把SVD++算法加到评估算法池里
evaluator.AddAlgorithm(SVDPlusPlus, "SVD++")

t0 = time()
# 基于所有评估指标的评估
evaluator.Evaluate(True)

# 输出该算法的推荐结果
evaluator.SampleTopNRecs(ml)
tt = time() - t0
print("SVDpp Algorithm in %s seconds" % round(tt, 3))