3.2 无监督学习-推荐系统-吴恩达

推荐系统

1. 使用每个特征数据

2. 协同过滤算法

• 假设已经有了w和b，猜测特征x

• 这种协同过滤是从多个用户收集数据，用户之间的这种协作可帮助您预测未来甚至其他用户的评级。

• 推荐系统的一个非常常见的用例是当您有二进制标签时，例如用户喜欢、喜欢或与项目交互的标签。

3.二进制标签

• 分类不用正则化

4. 均值归一化

• 对未知用户，预测评分为均值

5. 协同过滤Tensorflow实现

6. 寻找相关特征

• 协同过滤的局限性

• 冷启动问题

• 边缘信息

7. 基于内容的过滤算法

• 如何计算V

8. 从大型目录中推荐

• 两个步骤：检索和排名

9. 基于内容的Tensorflow实现

10. 降低特征数量

• PCA主成分分析法，特征降为二维或者三维，便于可视化

10.1 PCA算法

• 当使用线性回归来预测目标输出Y并且PCA试图获取大量特征并平等对待它们并减少很好地表示数据所需的轴数

• 因此，如果您尝试预测y的值，则应使用线性回归;如果您尝试减少数据集中的特征数量，例如将其可视化，则应使用PCA。

• 每个特征的方差贡献率