Surprise下載 - Surprise源碼下載

Surprise

其他源碼

下載

概述

Surprise 是一個 Python scikit，用於建立和分析處理明確評級資料的推薦系統。

Surprise的設計考慮了以下目的：

讓使用者完美地控制他們的實驗。為此，我們非常重視文檔，我們試圖透過指出演算法的每個細節來使文檔盡可能清晰和精確。
減輕資料集處理的痛苦。使用者可以使用內建資料集（Movielens、Jester）和自己的自訂資料集。
提供各種即用型預測演算法，例如基準演算法、鄰域方法、基於矩陣分解的（SVD、PMF、SVD++、NMF）等。此外，還內建了各種相似度量（cosine、MSD、pearson...）。
使新演算法想法的實現變得容易。
提供評估、分析和比較演算法效能的工具。使用強大的 CV 迭代器（受 scikit-learn 優秀工具的啟發）以及對一組參數的詳盡搜索，可以非常輕鬆地運行交叉驗證程序。

SurPRISE （大致：)）這個名字代表Simple Python RecommendatIon System Engine 。

請注意，驚喜不支援隱式評級或基於內容的資訊。

入門，範例

以下是一個簡單的範例，展示如何（下載）載入資料集、將其分割以進行 5 倍交叉驗證，以及計算 SVD 演算法的 MAE 和 RMSE。

 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 )

輸出：

 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

驚喜可以做更多（例如，GridSearchCV）！您將在文件中找到更多使用範例。

基準測試

以下是 5 倍交叉驗證過程中各種演算法（使用預設參數）的平均 RMSE、MAE 和總執行時間。資料集是 Movielens 100k 和 1M 資料集。所有演算法的折疊都是相同的。所有實驗均在配備 Intel i5 第 11 代 2.60GHz 的筆記型電腦上運作。產生這些表的程式碼可以在基準範例中找到。

電影鏡頭 100k	均方根誤差	MAE	時間
奇異值分解	0.934	0.737	0:00:06
SVD++（快取評級=假）	0.919	0.721	0:01:39
SVD++（快取評級=真）	0.919	0.721	0:01:22
奈米纖維	0.963	0.758	0:00:06
斜坡一號	0.946	0.743	0:00:09
k-NN	0.98	0.774	0:00:08
中心k-NN	0.951	0.749	0:00:09
k-NN 基線	0.931	0.733	0:00:13
共聚類	0.963	0.753	0:00:06
基線	0.944	0.748	0:00:02
隨機的	1.518	1.219	0:00:01

電影鏡頭 1M	均方根誤差	MAE	時間
奇異值分解	0.873	0.686	0:01:07
SVD++（快取評級=假）	0.862	0.672	0:41:06
SVD++（快取評級=真）	0.862	0.672	0:34:55
奈米纖維	0.916	0.723	0:01:39
斜坡一號	0.907	0.715	0:02:31
k-NN	0.923	0.727	0:05:27
中心k-NN	0.929	0.738	0:05:43
k-NN 基線	0.895	0.706	0:05:55
共聚類	0.915	0.717	0:00:31
基線	0.909	0.719	0:00:19
隨機的	1.504	1.206	0:00:19

安裝

使用 pip（您需要 C 編譯器。Windows 使用者可能更喜歡使用 conda）：

 $ pip install scikit-surprise

與康達：

 $ conda install -c conda-forge scikit-surprise

對於最新版本，您還可以克隆儲存庫並建立原始程式碼（您首先需要 Cython 和 numpy）：

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

許可和參考

該專案根據 BSD 3-Clause 許可證獲得許可，因此它幾乎可以用於所有用途，包括商業應用程式。

我很想知道驚喜對您有何用處。請隨時提出問題並描述您如何使用它！

如果您使用 Surprise 進行研究，請務必引用論文：

 @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}
}

貢獻者

以下人員為 Surprise 做出了貢獻：

。 Jeff Hale、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、 Qi、Lucasas Rebsi、Lucasasz , Craig Rodrigues, Skywhat, Hercules Smith, David Stevens, Vesna Tanko, TrWestdoor, Victor Wang, Mike Lee Williams, Jay Wong, Chenchen Xu, YaoZh1918.

多謝：）！