吴恩达《机器学习》课程总结(16)推荐系统

  • 时间:
  • 浏览:0
  • 来源:大发快3官方直播—彩神UU快三代理

(1)讲推荐系统的原因主要有以下几点:

2.使用梯度下降算法最小化代价函数;

其代价函数为:

(4)学习到的模型会把每部电影的平均分作为新用户对电影的评分。

r(i,j)不可能 用户j给电影i评过分则r(i,j)=1,

(1)总结:基于内容虽然可是我 不可能 有了电影的底部形态X,或多或少求拟合的参数θ,中间提到的基于用户,则是不可能 有了参数θ,来求拟合的电影底部形态X。

1.推荐系统是有另另两个不为社 要的机器学习的应用,其虽然学术界上占比较低,或多或少在商业应用中非常的重要,占有很高的优先级。

1.初始化x(1),x(2),……,x(nm)(1)(1),……,θ(nu)为或多或少随机小值;

3.在训练完算法后,让我们我们我们 预测(θ(j))Tx(i)为用户j给电影i的评分。

对于单用户的代价函数(省略了样本数m,对θ0不做正则化,只计算有评分的)如下:

(2)假设每部电影已知底部形态(基于内容):

(2)说明的案例:电影推荐系统

(3)预测的值上加该电影的均值为最终对电影的评分:

梯度下降式的梯度更新法律方法:

2.传达机器学习的有另另两个大思想:底部形态是都并能学习而来的,不时需人工去选着。

2.不可能 用户观看某电影,根据计算电影底部形态间的同类度,推荐同类的电影给该用户。

将数据集评分存储在矩阵中->通过协同过滤学习得到元素为(θ(j))Tx(i)的预测矩阵->根据电影底部形态距离求电影间的同类性

(3)协同过滤的算法步骤:

(3)此外引入或多或少标记:

y(i,j)代表用户j给电影打的分数,

nu代表用户的数量,

对代价函数求偏导数:

(4)如可给用户推荐:

参数说明:θ(j)表示用户j的参数,x(i)表示电影i的底部形态,

对于用户j和电影i,让我们我们我们 预测评分为:(θ(j))Tx(i)

1.根据计算出来的评分,把该用户评分高的电影给该用户;

(2)对每部电影做均值归一化,或多或少作为数据来训练模型

mj表示用户评分的电影的总数。

(2)协同过滤算法是既我不在乎 底部形态X,也我不在乎 用户参数θ时一并对二者进行优化。

故对于所有用户的代价函数为:

nm代表电影的数量,

(1)用户评分数据以及新用户Eve:

总结:为社 么给新用户推荐电影(会把每部电影的平均分作为该用户的评分)

(1)基于用户的(即已知用户的参数θ,求电影底部形态x),其代价函数为:

希望创建有另另两个算法来预测每或多或少人不可能 会给让我们我们我们 没看了的电影打哪几个分,并以此作为推荐法律方法。