推荐
关注
分享
扫一扫
zhangvalue
在奋进的路上，大家都是独行者！
展开
-
DBSCAN密度聚类算法
DBSCAN密度聚类算法 DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)是一种很典型的密度聚类算法，和K-Means，BIRCH这些一般只适用于凸样本集的聚类相比，DBSCAN既可以适用于凸样本集，也可以适用于非凸样本集。1. 密度聚类原理 DBSCAN是一种基...原创 2020-02-25 22:38:39 · 3465 阅读 · 1 评论 -
基于内容的推荐算法
基于内容的推荐算法（基础CB推荐算法）基于TF-IDF的CB推荐算法 ：基于KNN的CB推荐算法 ：基于Rocchio的CB推荐算法 ：基于决策树的CB推荐算法 ：基于线性分类的CB推荐算法 ：基于朴素贝叶斯的CB推荐算法 ：...原创 2019-12-12 20:04:07 · 1137 阅读 · 0 评论 -
基于SVD图片压缩
基于SVD图片压缩原理:图片其实就是数字矩阵，通过SVD将该矩阵降维，只使用其中的重要特征来表示该图片从而达到了压缩的目的。数据集降维：dim = data.T * U[:,:count] * dig.I # 降维这里的dig为对角矩阵（需要利用原来svd返回的sigma向量构建矩阵，构建需要使用count这个值）。U为svd返回的左奇异矩阵，count为我们指定的多少个奇异...原创 2019-12-10 21:36:10 · 2273 阅读 · 0 评论 -
奇异值分解(SVD)
奇异值分解SVD在数据降维中有较多的应用一、特征值分解EVD二、奇异值分解SVD定义奇异值求解三、实际计算奇异值四、特征值分解和奇异值分解的区别：特征值只能作用在一个mm的正方矩阵上，而奇异值分解则可以作用在一个mn的长方矩阵上。其次，奇异值分解同时包含了旋转、缩放和投影三种作用，奇异值分解公式中U和V都起到了对A旋转的作用，而Σ起到了对A缩放的作用...原创 2019-12-10 17:48:02 · 498 阅读 · 0 评论 -
深度置信网络(Deep Belief Networks)DBN
深度置信网络(Deep Belief Networks)DBN一、DBN算法的功能深度置信网络（Deep Belief Networks）DBN算法是机器学习之神经网络的一种，既可以用于非监督学习，也可以用于监督学习。DBN是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布。通过训练其神经元间的权重，可以让整个神经网络按照最大概率来生成训练数...原创 2019-12-06 16:40:45 · 6693 阅读 · 0 评论 -
协同过滤算法分类-UserCF和ItemCF比较
协同过滤算法分类-UserCF和ItemCF比较①、实时性：针对UserCF 是根据用户相似度矩阵来完成推荐，用户user本身的用户行为并不会造成推荐的结果发生改变ItemCF是根据相似度物品矩阵来完成推荐的，用户user一旦有了新的行为，推荐结果会立即发生改变，用户点击了物品会立马推荐相似的物品。②、新用户、新物品的推荐：对于userCF新用户的到来不能立即推荐，需要用户有了...原创 2019-12-05 11:02:21 · 1397 阅读 · 0 评论 -
协同过滤算法分类-UserCF
UserCf 基于用户的协同过滤算法给用户推荐相似兴趣用户感兴趣的物品举例如下：用户ABCD物品a、b、c、d上述的信息汇总userA点击了item a、b、d类似往后userD 点击了item a、d分析右边中由于userA中点击的item userD中都有点击，且userA点击了itemb userD没有所以不能基于userD给A推荐，但是可以基于userA给D推荐...原创 2019-12-04 21:27:25 · 1063 阅读 · 0 评论 -
协同过滤算法分类-ItemCF
在推荐算法中使用协同过滤算法的原因：①、信息过载，用户需求不明确②、强依赖于用户的行为Item cf 基于物品的协同过滤算法给用户推荐他之前喜欢的物品相似的物品举例：用户的点击行为，如下图中有四个用户ABCD,分别对item有点击行为右边为item对应的user的倒排，比如iterm a 对应的user的倒排为AD,item d对应的倒排为ADC用基于item的协同...原创 2019-12-04 19:22:35 · 1181 阅读 · 0 评论 -
个性化推荐召回算法
记录落地的个性化推荐召回算法主要第一种：第二种：原创 2019-12-04 17:02:44 · 535 阅读 · 0 评论