《人工智能应用素养》_14.4 训练参数优化.pptxVIP

01目录CONTENTS基础推荐算法02KNNBaseline模型调参03案例调参实现

基础推荐算法1Part

MinimalistwindAI基于近邻的推荐算法是比较基础的推荐算法，在学术界和工业界应用十分广泛。这里所说的基于近邻的推荐算法指的是协同过滤（CollaborativeFiltering）算法。基于近邻的协同过滤推荐算法有两种，分别为:基于物品的协同过滤（Item-CF-Based）算法基于用户的协同过滤（User-CF-Based）算法基础推荐算法

MinimalistwindAI通过用户的历史行为数据发现用户喜欢的物品，并对这些偏好进行度量和打分，然后根据不同用户对相同物品的评分或偏好程度来评测用户之间的相似性，对有相同偏好的用户进行物品推荐。基础推荐算法1.UserCF算法的原理先“找到相似同户”再“找到他们喜欢的物品”图基于用户的协同过滤推荐的例子

MinimalistwindAI通过不同用户对物品的评分来评测物品之间的相似性，从而基于物品的相似性做推荐。简而言之，是给用户推荐他之前喜欢物品的相似物品。基础推荐算法2.ItemCF算法的原理先“找到用户喜欢的物品”再“找到喜欢物品的相似物品”图基于物品的协同过滤推荐的例子

3.对比分析：UserCF算法和ItemCF算法从适用场景上看基础推荐算法从推荐系统多样性上看从用户特点上看

KNNBaseline模型调参2Part

KNNBaseline模型调参什么是调参？调参即超参数优化，是指从超参数空间中选择一组合适的超参数，以权衡好模型的偏差和方差，从而提高模型效果和性能。常用的调参方法有：人工手动调参网格搜索随机搜索贝叶斯调参

KNNBaseline模型调参网格搜索，搜索的是参数，即在指定的参数范围内，按步长依次调整参数，利用调整的参数训练学习器，从所有的参数中找到在验证集上精度最高的参数，是一个训练和比较的过程。网格搜索适用于三四个（或者更少）的超参数。GridSearchCV调参

案例调参实现3Part

MinimalistwindAI本案例使用网格搜索法（GridSearchCV）调参的实现代码如下：案例调参实现

MinimalistwindAI网格搜索运行效果：案例调参实现输出结果：

感谢您的观看！以上是

本节全部内容