surprise库官方文档分析（二）：使用预测算法

1、使用预测算法

Surprise提供了一堆内置算法。所有算法都派生自AlgoBase基类，其中实现了一些关键方法（例如predict，fit和test）。可以在prediction_algorithms包文档中找到可用预测算法的列表和详细信息。

每个算法都是全局Surprise命名空间的一部分，因此您只需要从Surprise包中导入它们的名称，例如：

from surprise import KNNBasic
algo = KNNBasic()

这些算法中的一些可以使用基线估计，一些可以使用相似性度量。

（1）、基线估计配置

可以使用两种不同的方式估算基线：

使用随机梯度下降（SGD）。
使用交替最小二乘法（ALS）。

可以使用bsl_options 在创建算法时传递的参数来配置基线的计算方式。此参数是一个字典，其中的键'method'指示要使用的方法。可接受的值是'als'（默认）和'sgd'。根据其值，可以设置其他选项。

对于ALS:

　　reg_i:item的正则化参数。默认为10.

　　reg_u:user的正则化参数。默认为15.

　　n_epochs:ALS过程的迭代次数。默认为10.

对于SGD:

　　reg:优化的成本函数的正则化参数。默认为0.02.

　　learning_rate:SGD的学习率。默认为0.005.

　　n_epochs:SGD过程的迭代次数。默认为20.

不论SGD还是ALS，损失量默认为0.

例子：

print('Using ALS')
bsl_options = {'method': 'als',
               'n_epochs': 5,
               'reg_u': 12,
               'reg_i': 5
               }
algo = BaselineOnly(bsl_options=bsl_options)


print('Using SGD')
bsl_options = {'method': 'sgd',
               'learning_rate': .00005,
               }
algo = BaselineOnly(bsl_options=bsl_options)

#请注意，某些相似性度量可能会使用基线，例如 pearson_baseline相似性。无论基线是否用于实际预测r，配置的工作方式都相同

bsl_options  =  { 'method' ： 'als' ，
               'n_epochs' ： 20 ，
               } 
sim_options  =  { 'name' ： 'pearson_baseline' } 
algo  =  KNNBasic （bsl_options = bsl_options ， sim_options = sim_options ）

（2）：相似度配置

许多算法使用相似性度量来估计评级。它们的配置方式与基线评级类似：您只需sim_options在创建算法时传递参数即可。此参数是包含以下（所有可选）键的字典：

　　name:要使用的相似性的名称，如similarities模块中所定义。默认是'MSD'。

　　user_based:是否在用户之间或项目之间计算相似性。这对预测算法的性能有很大影响。默认是True。

　　min_support:共同项目的最小数目（当'user_based' 是'True'）或普通用户的最小数目（当'user_based'是 'False'用于相似性）不为零

　　shrinkage:要应用的收缩参数（仅与pearson_baseline相似性相关）。默认值为100。

用法：

sim_options = {'name': 'cosine',
               'user_based': False  # compute  similarities between items
               }
algo = KNNBasic(sim_options=sim_options)

sim_options = {'name': 'pearson_baseline',
               'shrinkage': 0  # no shrinkage
               }
algo = KNNBasic(sim_options=sim_options)