使用movielens-100k测试UserBasedCF与ItemBasedCF并可视化结果
2017-06-11 07:29
1281 查看
概述
毕业设计选题自拟了个电影推荐系统,参考项亮的《推荐系统实践》和网络上的代码的UBCF和IBCF代码,使用movielens-100k数据集进行推荐测试和不同K值下推荐算法的精度、召回率、覆盖率、流行度计算并使用matplotlib库进行可视化结果。代码流程图
代码目录结构
代码
http://git.oschina.net/pangPython/irecmovie相关文章推荐
- Streaming+Python实现Itembased CF
- 【Python】ItemBasedCF的游戏推荐系统
- mahout算法源码分析之Itembased Collaborative Filtering(二)RowSimilarityJob
- mahout算法源码分析之Itembased Collaborative Filtering(四)共生矩阵乘法
- 使用百度地图api可视化聚类结果
- 推荐算法(userBased, itemBased)
- TensotFlow 应用实例:08-使用tensorboard可视化神经网络结构和训练结果
- ItemBased With Mahout
- Mahout推荐算法之ItemBased
- Mahout推荐算法之ItemBased
- Devexpress:在GridControl中使用RepositoryItemGridLookUpEdit 进行级联选择
- Selenium测试结果可视化工具--Sahagin测试框架使用入门(二)
- mahout算法源码分析之Itembased Collaborative Filtering(三)RowSimilarityJob验证
- atitit.架构设计---方法调用结果使用异常还是返回值
- 安装ipython,使用scrapy shell来验证xpath选择的结果 | How to install iPython and how does it work with Scrapy Shell
- Devexpress:在GridControl中使用RepositoryItemGridLookUpEdit
- Devexpress:在GridControl中使用RepositoryItemGridLookUpEdit【转】
- mahout算法源码分析之Itembased Collaborative Filtering(六)总结
- Selenium测试结果可视化工具--Sahagin测试框架使用入门(一)
- mahout算法源码分析之Itembased Collaborative Filtering(一)PreparePreferenceMatrixJob