Я пытаюсь выполнить 10-кратное перекрестное подтверждение в контентной системе рекомендаций. Набор данных состоит из идентификаторов пользователей, идентификаторов фильмов и рейтингов и набора атрибутов идентификаторов фильмов и идентификаторов атрибутов, по одному для каждого жанра. Моя проблема, как показано ниже, находится в процессе движения оператора. Im получал ошибку «Ожидаемая модель, но получал рейтингPredictor». Любой совет о том, как это исправить, или другой способ сделать это в Rapidminer?Проверка перекрестной проверки для системы рекомендаций
ответ
Это с расширением Recommender системы, которая не устанавливается по умолчанию с базовым продуктом, так что я не пробовал.
Похоже, что оператор Apply Model
требует дополнительных входов и это также выглядит как оператор Item Attribute...
производит то, что не совместимо с тем, что RapidMiner ожидает в контексте X-Validation
.
Мое предложение состоит в том, чтобы подключить выход к первому выходному сигналу thr
на стороне тренировки X-Validation
. Затем первый thr
на стороне тестирования должен быть подключен к входу оператора Apply
. Похоже, операторы нуждаются в дополнительных входах и выходах для подключения. Это можно сделать с дополнительными портами thr
, которые появятся после первого использования.
Одной проблемой будет отсутствие действительного mod
(обратите внимание на нижний регистр). Мое предложение состоит в том, чтобы использовать любого другого оператора, который создает действительную модель на стороне обучения, умудряется подавать эти данные и, возможно, изобретать, чтобы потреблять их на тестовой стороне с помощью фиктивного традиционного оператора Apply Model
.
Я не пробовал это, так что у меня нет возможности узнать, будет ли это работать.
- 1. Использование trainImplicit для системы рекомендаций
- 2. Набор данных для системы рекомендаций
- 3. как вычислить AUC (Area Under Curve) для оценки системы рекомендаций
- 4. pred_proba для перекрестной проверки модели
- 5. Использование матричной факторизации для системы рекомендаций
- 6. Сколько данных мне нужно для системы рекомендаций?
- 7. Внедрение системы рекомендаций для неконтролируемого обучения
- 8. процесс перекрестной проверки
- 9. Какова цель перекрестной проверки?
- 10. Ошибка перекрестной проверки
- 11. спящий режим валидатор для перекрестной проверки поля
- 12. K-Fold Перекрестной проверки для наивных байесовского
- 13. Переподготовка после перекрестной проверки с помощью libsvm
- 14. Проверка версии проверки версии системы в iOS
- 15. Оптимизация проверки перекрестных ссылок K для неявных систем рекомендаций
- 16. Оценка системы рекомендаций на основе критериев подобия
- 17. Как мне обучить нейронную сеть для системы рекомендаций?
- 18. Как обрабатывать дублированные рекомендации в онлайн-эксперименте для системы рекомендаций
- 19. Построение системы рекомендаций для сравнения сходства между строками
- 20. Google Prediction API для системы часто задаваемых вопросов/рекомендаций
- 21. Как получить или сгенерировать тестовые данные для системы рекомендаций
- 22. Оставьте один алгоритм перекрестной проверки в matlab
- 23. Как запустить GridSearchCV без перекрестной проверки?
- 24. Получение ROC посредством перекрестной проверки данных обучения
- 25. Использование форм перекрестной проверки подлинности домена
- 26. Запрос перекрестной проверки по той же таблице
- 27. проверка бита для проверки
- 28. Настройка перекрестной проверки в scikit learn
- 29. Scikitlearn - оценка набора данных после перекрестной проверки
- 30. Сохранение модели перекрестной проверки в Scikit
Каков тип оператора, название которого начинается с атрибута Item? – awchisholm
Это атрибут предмета k-NN для рейтингового прогноза – Sardanapalos