如何進(jìn)行Algobase() 類的功能分析

如何進(jìn)行Algobase() 類的功能分析，相信很多沒(méi)有經(jīng)驗(yàn)的人對(duì)此束手無(wú)策，為此本文總結(jié)了問(wèn)題出現(xiàn)的原因和解決方法，通過(guò)這篇文章希望你能解決這個(gè)問(wèn)題。

AlgoBase() 類我們前面提到過(guò)，是所有算法的父類，那么 AlgoBase() 就應(yīng)該把所有算法的共同的方法抽象出來(lái)。換句話說(shuō)，AlgoBase() 中的方法，是所有子類都可能擁有的功能。

那么我們先看一下都有哪些函數(shù)，然后挑其中幾個(gè)比較重要的看一下代碼。

簡(jiǎn)單的都介紹一下它們的功能。

fit()

fit() 我們?cè)?KNN 的算法中看到，子類也重寫了這個(gè)函數(shù)，那么在父類中主要做了什么呢？父類中主要的作用是給 self 綁定上對(duì)應(yīng)的 trainset，也就是對(duì)當(dāng)前算法對(duì)象賦予一個(gè) self.trainset 屬性。

predict()

def predict(self, uid, iid, r_ui=None, clip=True, verbose=False):    # Convert raw ids to inner ids    try:        iuid = self.trainset.to_inner_uid(uid)    except ValueError:        iuid = 'UKN__' + str(uid)    try:        iiid = self.trainset.to_inner_iid(iid)    except ValueError:        iiid = 'UKN__' + str(iid)
    details = {}    try:        est = self.estimate(iuid, iiid)
        # If the details dict was also returned        if isinstance(est, tuple):            est, details = est
        details['was_impossible'] = False
    except PredictionImpossible as e:        est = self.default_prediction()        details['was_impossible'] = True        details['reason'] = str(e)
    # clip estimate into [lower_bound, higher_bound]    if clip:        lower_bound, higher_bound = self.trainset.rating_scale        est = min(higher_bound, est)        est = max(lower_bound, est)
    pred = Prediction(uid, iid, r_ui, est, details)
    if verbose:        print(pred)
    return pred

代碼我們可以簡(jiǎn)單的看為三部分，第一部分是兩個(gè) try  的異常處理，將數(shù)據(jù)集中的 raw id 轉(zhuǎn)為處理過(guò)后的內(nèi)部 ID。在前面數(shù)據(jù)集處理的時(shí)候，我們看了將所有 ID 轉(zhuǎn)化為一個(gè)內(nèi)部的 inner ID。

第二部分是去調(diào)用該算法自己的 estimate() 函數(shù)，這個(gè)函數(shù)一般在對(duì)應(yīng)算法的子類中寫了。不同的算法對(duì)應(yīng)不同的 estimate() 方法。同時(shí)返回值有時(shí)候會(huì)包含一個(gè) details 的內(nèi)容，這個(gè)時(shí)候預(yù)測(cè)結(jié)果 est 就是一個(gè)包含了預(yù)測(cè)得分和 details 的元組，此處進(jìn)行了拆分。如果預(yù)測(cè)失敗，則調(diào)用下一個(gè)函數(shù)：default_prediction()，我們馬上就介紹它。

第三部分是一個(gè) clip() 的內(nèi)容，就是判斷預(yù)測(cè)的結(jié)果是否超出范圍，進(jìn)行一個(gè)規(guī)范化。

通過(guò)這三步完成了一個(gè)預(yù)測(cè)，最后返回一個(gè)用 Prediction() 進(jìn)行預(yù)測(cè)的結(jié)果值.

default_prediction()

當(dāng)預(yù)測(cè)出現(xiàn)問(wèn)題的時(shí)候，就會(huì)選擇調(diào)用 default_prediction()，這個(gè)函數(shù)調(diào)用 trainset 本身的 global_mean 方法，最終返回整個(gè)數(shù)據(jù)集的評(píng)分的平均值。

test()

def test(self, testset, verbose=False):    predictions = [self.predict(uid,                                iid,                                r_ui_trans,                                verbose=verbose)                    for (uid, iid, r_ui_trans) in testset]    return predictions

test() 函數(shù)直接為 testset 中的每組數(shù)據(jù)去調(diào)用前面的 predict() 函數(shù)，返回一個(gè) list 結(jié)果。

compute_baselines()

這部分會(huì)計(jì)算 user 和 items 的 baseline，只計(jì)算一次，如果在同一個(gè)數(shù)據(jù)集中已經(jīng)被調(diào)用過(guò)了，下次則是直接返回結(jié)果，這里和算法之間的具體交互目前還沒(méi)有看到，后面我們遇到再詳細(xì)介紹。

compute_similarities()

這個(gè)方法構(gòu)建一個(gè)相似性矩陣，在 AlgoBase() 類初始化的時(shí)候會(huì)有一個(gè)變量 sim_options，這個(gè)變量決定了以什么相似性來(lái)構(gòu)建相似性矩陣。

在 surprise 中有一個(gè) similarities.cpython-37m-darwin.so 文件，這個(gè)文件封裝了不同的相似性計(jì)算方法。

在 compute_similarities 中會(huì)利用這個(gè)文件構(gòu)建的 similarities 包，最終返回一個(gè)目標(biāo)的相似性矩陣。

get_neighbors()

這個(gè)方法傳入一個(gè) user ID，傳入一個(gè) int 值 k，返回結(jié)果為和這個(gè) user 最相似的 k 個(gè) user 的 ID。

AlgoBase() 基類構(gòu)建了一些常用的方法，基本上包含了擬合，預(yù)測(cè)，驗(yàn)證等功能接口，在具體的算法中會(huì)重寫這些方法，后者調(diào)用。

看完上述內(nèi)容，你們掌握如何進(jìn)行Algobase() 類的功能分析的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！