机器学习中比较实用的是推荐引擎和分类算法
分类算法-k近邻 能有效的提高图片识别的成功率。
还有可以作为垃圾邮件的过滤器。
----------------
推荐引擎
基于用户 GenericUserBasedRecommender
相似度+ 邻域
相似度 UserSimilarity
实现的算法有
PearsonCorrelationSimilarity -- 皮尔逊
EuclideanDistanceSimilarity -- 欧式距离
TanimotoCoefficientSimilarity -- 谷本系数
邻域 UserNeighborhood
实现的算法
NearestNUserNeighbordhood -- 近邻
ThresholdUserNeighborhood -- 基于阀值
基于物品 GenericItemBasedRecommender
只要考虑相似度 接口为 ItemSimilarity
实现算法和基于用户的一样
基于模型
Slope-One
Slopeone算法不同于前面提到的基于相似度的算法,他计算简单快速,对新用户推荐效果不错,数据更新和扩展性都很不错,预测能达到和基于相似度的算法差不多的效果,很适合在实际项目中使用。
基本原理:
用户 | 对itema打分 | 对itemb打分 |
X | 3 | 4 |
Y | 2 | 4 |
Z | 4 | ? |
用户Z对itemb的打分可能是多少呢? Slope one算法认为:所有用户对事物A对itemb的打分平均差值是:((3 - 4) + (2 - 4)) / 2 = -1.5,也就是说人们对itemb的打分一般比事物A的打分要高1.5,于是Slope one算法就猜测Z对itemb的打分是4 + 1.5 = 5.5
分布式
物品之间的共现矩阵 和基于物品的ItemSimilarity (也是放到一个矩阵中)很相似。
只是这个矩阵太大无法放在一台机器上, 按行来切分
类似于 物品X/物品i:次数i, 物品j:次数j, 物品k:次数k
最后乘以该用户的评分向量, 得到最后的结果。
实现相当复杂 可以直接在hadoop平台中调用RecommenderJob 来运行。
----------------------
mahout--使用
pyhton--原理
回归 -- 计算预测值
场景 销售量预测
线性回归 Y=4*X1+18*X2 4和18 是回归系数
非线性回归(多项式) Y=4*X1/18*X2
回归的目标是找到最佳拟合线
过拟合现象 - 考虑了太多的噪声
关联分析 -- Apriopri
有点像推荐算法中的物物共现矩阵
P(尿布)=4/5 P(尿布,葡萄酒)=3/5
P(葡萄酒|尿布)=P(尿布,葡萄酒)/P(尿布)=3/4
当物品成千上万时,想找到支持度大于0.8的物物关系,遍历的做法会非常的慢。
Apriopri原理
如果一个项集是非频繁的, 那么它所有的子项集也是非频繁的。
FP-growth 频繁项集
场景 搜索引擎自动补全查询词项, 找出经常在一起出现的词对 (共现词)
支持向量机
二类分类器, 当用其解决多类问题时, 则需要额外的方法对其扩展。
支持向量,就是离分割超平面最近的那些点。
SMO计算最大化支持向量
分享到:
相关推荐
机器学习/深度学习500问机器学习/深度学习500问机器学习/深度学习500问机器学习/深度学习500问机器学习/深度学习500问机器学习/深度学习500问机器学习/深度学习500问机器学习/深度学习500问机器学习/深度学习500问...
机器学习(ML)是计算机系统为了有效地执行特定任务,不使用明确的指令,而依赖模式和推理使用的算法和统计模型的科学研究。它被视为人工智能的一个子集。机器学习算法构建一个基于样本数据的数学模型,称为“训练...
本资源摘要信息将对贝叶斯统计机器学习的主要内容进行概括,从贝叶斯决策理论到机器学习问题实例,涵盖了机器学习的主要模型、模式识别与机器学习的基本问题等多个方面。 贝叶斯决策理论是机器学习中一个重要的理论...
机器学习部分课后习题答案(较完整)机器学习部分课后习题答案(较完整)机器学习部分课后习题答案(较完整)机器学习部分课后习题答案(较完整)机器学习部分课后习题答案(较完整)机器学习部分课后习题答案(较...
【Python机器学习基础】 Python作为机器学习的首选语言,因其简洁的语法和强大的库支持而备受推崇。在开始机器学习之旅之前,首先需要掌握Python的基础编程技能。这包括理解变量、数据类型、控制结构(如if-else,...
本文将从三个方面介绍机器学习算法:典型机器学习算法、量子机器学习、李群机器学习。 典型机器学习算法是机器学习的基础部分,包括监督学习、非监督学习、半监督学习等。监督学习是通过大量已标记的训练序列建立一...
"机器学习——回顾与展望.pdf" 机器学习是一门多学科交叉的学科,涉及到计算机科学、数学、统计学、神经科学、心理学等多个领域。它的研究对象是使计算机具备学习能力,使其能够像人类一样学习、认知和应用知识。 ...
python-双重机器学习(Double Machine Learning, DML)是一种结合了机器学习和因果推断的统计方法,它在经济管理领域有着广泛的应用。这种方法特别适用于处理高维数据和复杂的非线性关系,同时能够提供无偏的参数...
机器学习(ML)是计算机系统为了有效地执行特定任务,不使用明确的指令,而依赖模式和推理使用的算法和统计模型的科学研究。它被视为人工智能的一个子集。机器学习算法构建一个基于样本数据的数学模型,称为“训练...
本书是由技术界的大神Abhishek Thakur 所作,可以帮你解决(几乎)所有机器学习的问题,开源项目在GitHub 有 6K Star。本书介绍了如何应对 ML 和 DL 过程中遇到的挑战,而非单纯地解释算法。该书内含大量代码,适合有...
机器学习是计算机科学的一个分支,它致力于通过让计算机系统学习数据中的模式来改善其性能,而无需显式编程。这门课程的课件是大牛根据8年的实战经验精心总结的,涵盖了理论与实践的结合,旨在帮助学习者深入理解和...
机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的...
机器学习期末复习题库 机器学习是人工智能领域中的一门重要学科,涉及到各种算法和技术,以下是机器学习期末复习题库的详细解析: 监督学习和无监督学习 监督学习是指在有标签的数据集上训练模型,以便在未来的...
林轩田和吴恩达的《机器学习基石》课程笔记详细地涵盖了机器学习领域的基础理论和核心概念。林轩田在课程中细致地讲解了机器学习中的关键问题,包括学习问题的本质、如何对Yes-No问题进行学习、不同类型的学习方法、...
机器学习源码,供机器学习初学者下载,主要用的语言是python.
《李宏毅机器学习全套资料》是一份全面深入的机器学习教育资源,主要涵盖了教学演示文稿、作业解决方案以及详尽的课程内容。这份资源对于想要深入理解和掌握机器学习这一领域的学习者来说,无疑是一份宝贵的参考资料...
2022吴恩达机器学习笔记汇总(共10章节).zip2022吴恩达机器学习笔记汇总(共10章节).zip2022吴恩达机器学习笔记汇总(共10章节).zip2022吴恩达机器学习笔记汇总(共10章节).zip2022吴恩达机器学习笔记汇总(共10章节).zip...
吴恩达,这个名字在人工智能和机器学习领域如雷贯耳。作为全球知名的计算机科学家和教育家,吴恩达教授不仅在学术界有着举足轻重的地位,他所开设的在线课程也已成为世界各地学习者所追捧的宝库。尤其值得一提的是他...
机器学习是一种通过数据训练模型,让机器自动学习数据特征并作出预测的技术。它的数学基础涉及线性代数、概率论、统计学和优化理论等众多领域。在实现机器学习算法的过程中,Python语言因其简洁和强大的库支持而成为...
学习了机器学习的基础以及相关理论,颇有收获,并做了相关笔记,对于机器学习有了更为深入的理解,为以后的学习以及研究打下基础。 主要内容包含以下相关主题: - 模型的评估与选择 - 神经网络 - 支持向量机 - ...