Пошаговое руководство по реализации механизма рекомендаций по скрытым факторам с использованием библиотеки Surprise в Python. Этот пост - последняя часть моей серии рекомендаций Python Surprise, в которой я представляю методы, которые я использовал в своем проекте механизма рекомендаций для настольных игр. (Смотрите мой репозиторий на GitHub для всего проекта.) Предыдущие посты в серии: Часть 1 : Как создать систему рекомендаций на основе памяти с помощью Python Surprise : я..

Мой дополнительный пользовательский код Python, который позволяет вам выполнять более гибкие рекомендации на основе моделей стиля K-Nearest Neighbor библиотеки Surprise. В моем предыдущем сообщении в блоге я подробно обсуждал, как работать с системой рекомендаций на Python с использованием библиотеки Surprise, от обработки данных до прогнозов и лучших рекомендаций. Я предлагаю вам сначала прочитать этот пост как введение в системы рекомендаций с совместной фильтрацией, если вы не..

Небольшой эксперимент для проверки нашего понимания механизмов рекомендаций с использованием научного метода В этом посте представлен подход к внедрению вашей первой системы рекомендаций и быстрой проверке ее производительности. В нем рассматривается вариант использования, предназначенный для визуальной проверки того, чему модель научилась во время обучения и как она работала во время тестирования . Вариант использования был реализован на Python с pandas и scikit-surprise ...