Surprise 다운로드 - Surprise 소스코드 다운로드

Surprise

기타 소스코드

다운로드

개요

Surprise는 명시적인 평가 데이터를 처리하는 추천 시스템을 구축하고 분석하기 위한 Python scikit입니다.

Surprise는 다음과 같은 목적을 염두에 두고 설계되었습니다 .

사용자에게 실험을 완벽하게 제어할 수 있는 권한을 부여하세요. 이를 위해 문서화에 중점을 두고 있으며, 알고리즘의 모든 세부 사항을 지적하여 최대한 명확하고 정확하게 작성하려고 노력했습니다.
데이터 세트 처리의 어려움을 완화합니다. 사용자는 내장된 데이터 세트(Movielens, Jester)와 자체 사용자 정의 데이터 세트를 모두 사용할 수 있습니다.
기본 알고리즘, 이웃 방법, 행렬 분해 기반(SVD, PMF, SVD++, NMF) 등 즉시 사용 가능한 다양한 예측 알고리즘을 제공합니다. 또한 다양한 유사성 측정(코사인, MSD, Pearson...)이 내장되어 있습니다.
새로운 알고리즘 아이디어를 쉽게 구현할 수 있습니다.
알고리즘 성능을 평가, 분석 및 비교할 수 있는 도구를 제공합니다. 교차 검증 절차는 강력한 CV 반복기(scikit-learn의 뛰어난 도구에서 영감을 얻음)와 일련의 매개변수에 대한 철저한 검색을 사용하여 매우 쉽게 실행할 수 있습니다.

SurPRISE 라는 이름(대략 :))은 Simple Python RecommendatIon System Engine 을 의미합니다.

놀람은 암시적 등급이나 콘텐츠 기반 정보를 지원하지 않는다는 점에 유의하세요.

시작하기, 예

다음은 데이터 세트를 (다운로드) 로드하고, 5겹 교차 검증을 위해 분할하고, SVD 알고리즘의 MAE 및 RMSE를 계산하는 방법을 보여주는 간단한 예입니다.

 from surprise import SVD
from surprise import Dataset
from surprise . model_selection import cross_validate

# Load the movielens-100k dataset (download it if needed).
data = Dataset . load_builtin ( 'ml-100k' )

# Use the famous SVD algorithm.
algo = SVD ()

# Run 5-fold cross-validation and print results.
cross_validate ( algo , data , measures = [ 'RMSE' , 'MAE' ], cv = 5 , verbose = True )

출력 :

 Evaluating RMSE, MAE of algorithm SVD on 5 split(s).

                  Fold 1  Fold 2  Fold 3  Fold 4  Fold 5  Mean    Std     
RMSE (testset)    0.9367  0.9355  0.9378  0.9377  0.9300  0.9355  0.0029  
MAE (testset)     0.7387  0.7371  0.7393  0.7397  0.7325  0.7375  0.0026  
Fit time          0.62    0.63    0.63    0.65    0.63    0.63    0.01    
Test time         0.11    0.11    0.14    0.14    0.14    0.13    0.02

Surprise는 훨씬 더 많은 일을 할 수 있습니다(예: GridSearchCV)! 설명서에서 더 많은 사용 예를 찾을 수 있습니다.

벤치마크

다음은 5겹 교차 검증 절차에서 다양한 알고리즘(기본 매개변수 포함)의 평균 RMSE, MAE 및 총 실행 시간입니다. 데이터 세트는 Movielens 100k 및 1M 데이터 세트입니다. 접기는 모든 알고리즘에서 동일합니다. 모든 실험은 Intel i5 11세대 2.60GHz를 탑재한 노트북에서 실행되었습니다. 이러한 테이블을 생성하는 코드는 벤치마크 예제에서 찾을 수 있습니다.

무비렌즈 100k	RMSE	매	시간
SVD	0.934	0.737	0:00:06
SVD++(cache_rateds=False)	0.919	0.721	0:01:39
SVD++(cache_rateds=True)	0.919	0.721	0:01:22
NMF	0.963	0.758	0:00:06
슬로프 원	0.946	0.743	0:00:09
k-NN	0.98	0.774	0:00:08
중심 k-NN	0.951	0.749	0:00:09
k-NN 기준선	0.931	0.733	0:00:13
공동 클러스터링	0.963	0.753	0:00:06
기준선	0.944	0.748	0:00:02
무작위의	1,518	1.219	0:00:01

무비렌즈 1M	RMSE	매	시간
SVD	0.873	0.686	0:01:07
SVD++(cache_rateds=False)	0.862	0.672	0:41:06
SVD++(cache_rateds=True)	0.862	0.672	0:34:55
NMF	0.916	0.723	0:01:39
슬로프 원	0.907	0.715	0:02:31
k-NN	0.923	0.727	0:05:27
중심 k-NN	0.929	0.738	0:05:43
k-NN 기준선	0.895	0.706	0:05:55
공동 클러스터링	0.915	0.717	0:00:31
기준선	0.909	0.719	0:00:19
무작위의	1,504	1.206	0:00:19

설치

pip 사용(C 컴파일러가 필요합니다. Windows 사용자는 conda 사용을 선호할 수 있음):

 $ pip install scikit-surprise

콘다 사용:

 $ conda install -c conda-forge scikit-surprise

최신 버전의 경우 저장소를 복제하고 소스를 빌드할 수도 있습니다(먼저 Cython 및 numpy가 필요함).

 $ git clone https://github.com/NicolasHug/surprise.git
$ cd surprise
$ pip install .

라이센스 및 참조

이 프로젝트는 BSD 3-Clause 라이선스에 따라 라이선스가 부여되므로 상업용 애플리케이션을 포함한 거의 모든 용도로 사용할 수 있습니다.

Surprise가 당신에게 얼마나 유용한지 알고 싶습니다. 주저하지 말고 이슈를 열고 어떻게 사용하는지 설명해주세요!

연구에 Surprise를 사용하는 경우 논문을 인용하시기 바랍니다.

 @article{Hug2020,
  doi = {10.21105/joss.02174},
  url = {https://doi.org/10.21105/joss.02174},
  year = {2020},
  publisher = {The Open Journal},
  volume = {5},
  number = {52},
  pages = {2174},
  author = {Nicolas Hug},
  title = {Surprise: A Python library for recommender systems},
  journal = {Journal of Open Source Software}
}

기여자

다음 사람들이 Surprise에 기여했습니다:

Ashtou, Abhishek Bhatia, bobbyinfj, caoyi, Chieh-Han Chen, Raphael-Dayan, Олег Демиденко, Charles-Emmanuel Dias, dmamylin, Lauriane Ducasse, Marc Feger, franckjay, Lukas Galke, Tim Gates, Pierre-François Gimenez, Zachary Glassman, 제프 헤일, Nicolas Hug, Janniks, jyesawtellrickson, Doruk Kilitcioglu, Ravi Raju Krishna, lapidshay, Hengji Liu, Ravi Makhija, Maher Malaeb, Manoj K, James McNeilis, Naturale0, nju-luke, Pierre-Louis Pécheux, Jay Qi, Lucas Rebscher, Craig Rodrigues , 스카이왓(Skywhat), 헤라클레스 스미스, 데이비드 스티븐스, Vesna Tanko, TrWestdoor, Victor Wang, Mike Lee Williams, Jay Wong, Chenchen Xu, YaoZh1918.

정말 감사합니다 :) !