记录机器学习的过程

git clone 问题

git config --global http.lowSpeedLimit 0
git config --global http.lowSpeedTime 999999
git config --global http.postBuffer 50024288000

2020年1月15日，为了准备西电的复试做一个机器学习的毕设，由于本科没有学过，零基础，所以在此记录一下，同时，本科做过的项目都忘了，也是为了培养良好的习惯。

机器学习管道

数据–》机器学习算法–》智能

学习目标

安装python，ipython notebook graphlab create
启动ipython notebook
在python中编写变量，函数和循环
在python中使用sframe执行基本数据操作

安装graphlab create 通过command line

最后一步要在anaconda prompt里面install graphlab create

python基本语法

notebook 中import graphlab

graphlab canvas

可视化
导入数据集之后，运用sf.show()进行数据可视化
canvas数据重定向，将可视化的数据重定向到ipython notebook中：
graphlab.canvas.set_target(‘ipynb’)

转换函数apply

某一列数据.apply(自定义函数)
sf[‘Country’].apply(transform_country)

推荐系统

非常流行的物品会淹没其他的影响，比如所有人都买了尿布，不代表我也需要，缺乏个性化，需要对过于流行的物品所在的矩阵进行正规化。

综合起来=特征+矩阵分解

推荐系统的性能度量：召回率、准确率

召回率=推荐的喜欢的物品/全部喜欢的物品
准确率=推荐的喜欢的物品/推荐的物品
召回率最大时准确率不理想
最优推荐：召回率=准确率=1

import graphlab
song_data = graphlab.SFrame('song_data.gl/')
song_data.head()
song_data['song'].show()
len(song_data)
users=song_data['user_id'].unique()
len(users)
train_data,test_data=song_data.random_split(.8,seed=0)
popularity_model=graphlab.popularity_recommender.create(train_data,user_id='user_id',item_id='song')
popularity_model.recommend(users=[users[0]])
personalized_model=graphlab.item_similarity_recommender.create(train_data,user_id='user_id',item_id='song')
personalized_model.recommend(users=[users[0]])
model_performance=graphlab.compare(test_data,[popularity_model,personalized_model],user_sample=0.05)
graphlab.show_comparison(model_performance,[popularity_model,personalized_model])

网易云音乐UID

http://192.168..:3000/v1/likelist?uid=****

返回数据得到音乐ID

{“ids”:[18638059,26217117],“checkPoint”:1582996860453,“code”:200}

获取网易云推荐的每日歌曲

先登录：
http://192.168.:3000/v1/login/cellphone?phone=177******&password=61*******
再获取：
http://192.168.3.2:3000/v1/recommend/songs

获取歌曲详情有问题，可以获取相似歌曲

http://192.168.3.2:3000/v1/simi/song?id=26217117

歌曲详情的获取备用API：

https://api.imjad.cn/cloudmusic.md
https://api.imjad.cn/cloudmusic/?type=detail&id=26217117

音乐推荐系统搭建

推荐系统搭建1

数据的获取

# -*- coding:utf-8 -*-
"""
爬虫爬取网易云音乐歌单的数据包保存成json文件
python2.7环境
"""
import sys
reload(sys)
//解决字符乱码问题
sys.setdefaultencoding('utf-8')
import os
os.environ['NLS_LANG'] = 'Simplified Chinese_CHINA.ZHS16GBK'
import requests
import json
import os
import base64
import binascii
import urllib
import urllib2
from Crypto.Cipher import AES
from bs4 import BeautifulSoupclass NetEaseAPI:def __init__(self):self.header = {'Host': 'music.163.com','Origin': 'https://music.163.com','User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:56.0) Gecko/20100101 Firefox/56.0','Accept': 'application/json, text/javascript','Accept-Language': 'zh-CN,zh;q=0.9','Connection': 'keep-alive','Content-Type': 'application/x-www-form-urlencoded',}self.cookies = {'appver': '1.5.2'}self.playlist_class_dict = {}self.session = requests.Session()def _http_request(self, method, action, query=None, urlencoded=None, callback=None, timeout=None):connection = json.loads(self._raw_http_request(method, action, query, urlencoded, callback, timeout))return connectiondef _raw_http_request(self, method, action, query=None, urlencoded=None, callback=None, timeout=None):if method == 'GET':request = urllib2.Request(action, self.header)response = urllib2.urlopen(request)connection = response.read()elif method == 'POST':data = urllib.urlencode(query)request = urllib2.Request(action, data, self.header)response = urllib2.urlopen(request)connection = response.read()return connection@staticmethoddef _aes_encrypt(text, secKey):pad = 16 - len(text) % 16text = text + chr(pad) * padencryptor = AES.new(secKey, 2, '0102030405060708')ciphertext = encryptor.encrypt(text)ciphertext = base64.b64encode(ciphertext).decode('utf-8')return ciphertext@staticmethoddef _rsa_encrypt(text, pubKey, modulus):text = text[::-1]rs = pow(int(binascii.hexlify(text), 16), int(pubKey, 16), int(modulus, 16))return format(rs, 'x').zfill(256)@staticmethoddef _create_secret_key(size):return (''.join(map(lambda xx: (hex(ord(xx))[2:]), os.urandom(size))))[0:16]def get_playlist_id(self, action):request = urllib2.Request(action, headers=self.header)response = urllib2.urlopen(request)html = response.read().decode('utf-8')response.close()soup = BeautifulSoup(html, 'lxml')list_url = soup.select('ul#m-pl-container li div a.msk')for k, v in enumerate(list_url):list_url[k] = v['href'][13:]return list_urldef get_playlist_detail(self, id):text = {'id': id,'limit': '100','total': 'true'}text = json.dumps(text)nonce = '0CoJUm6Qyw8W8jud'pubKey = '010001'modulus = ('00e0b509f6259df8642dbc35662901477df22677ec152b5ff68ace615bb7''b725152b3ab17a876aea8a5aa76d2e417629ec4ee341f56135fccf695280''104e0312ecbda92557c93870114af6c9d05c4f7f0c3685b7a46bee255932''575cce10b424d813cfe4875d3e82047b97ddef52741d546b8e289dc6935b''3ece0462db0a22b8e7')secKey = self._create_secret_key(16)encText = self._aes_encrypt(self._aes_encrypt(text, nonce), secKey)encSecKey = self._rsa_encrypt(secKey, pubKey, modulus)data = {'params': encText,'encSecKey': encSecKey}action = 'http://music.163.com/weapi/v3/playlist/detail'playlist_detail = self._http_request('POST', action, data)return playlist_detailif __name__ == '__main__':nn = NetEaseAPI()index = 1for flag in range(1, 38):if flag > 1:page = (flag - 1) * 35url = 'http://music.163.com/discover/playlist/?order=hot&cat=%E5%85%A8%E9%83%A8&limit=35&offset=' + str(page)else:url = 'http://music.163.com/discover/playlist'playlist_id = nn.get_playlist_id(url)for item_id in playlist_id:playlist_detail = nn.get_playlist_detail(item_id)with open('data/{0}.json'.format(index), 'w') as file_obj:json.dump(playlist_detail, file_obj, ensure_ascii=False)index += 1print("写入json文件：", item_id)

特征工程和数据预处理，提取我这次做推荐系统有用的特征信息

# -*- coding:utf-8-*-
"""
对网易云所有歌单爬虫的json文件进行数据预处理成csv文件
python3.6环境
"""
import io
from __future__ import (absolute_import, division, print_function, unicode_literals)
import jsondef parse_playlist_item():""":return: 解析成userid itemid rating timestamp行格式"""file = io.open("neteasy_playlist_recommend_data.csv", 'a', encoding='utf8')for i in range(1, 1292):with io.open("{0}.json".format(i), 'r', encoding='UTF-8') as load_f:load_dict = json.load(load_f)try:for item in load_dict['playlist']['tracks']:# playlist id # song id # score # datetimeline_result = [load_dict['playlist']['id'], item['id'], item['pop'], item['publishTime']]for k, v in enumerate(line_result):if k == len(line_result) - 1:file.write(str(v))else:file.write(str(v) + ',')file.write('\n')except Exception:print(i)continuefile.close()def parse_playlist_id_to_name():file = io.open("neteasy_playlist_id_to_name_data.csv", 'a', encoding='utf8')for i in range(1, 1292):with io.open("{0}.json".format(i), 'r', encoding='UTF-8') as load_f:load_dict = json.load(load_f)try:line_result = [load_dict['playlist']['id'], load_dict['playlist']['name']]for k, v in enumerate(line_result):if k == len(line_result) - 1:file.write(str(v))else:file.write(str(v) + ',')file.write('\n')except Exception:print(i)continuefile.close()def parse_song_id_to_name():file = io.open("neteasy_song_id_to_name_data.csv", 'a', encoding='utf8')for i in range(1, 1292):with io.open("{0}.json".format(i), 'r', encoding='UTF-8') as load_f:load_dict = json.load(load_f)try:for item in load_dict['playlist']['tracks']:# playlist id # song id # score # datetimeline_result = [item['id'], item['name'] + '-' + item['ar'][0]['name']]for k, v in enumerate(line_result):if k == len(line_result) - 1:file.write(str(v))else:file.write(str(v) + ',')file.write('\n')except Exception:print(i)continuefile.close()parse_playlist_item()
parse_playlist_id_to_name()
parse_song_id_to_name()

Surprise推荐库（推荐歌单）

# -*- coding:utf-8-*-
"""
利用surprise推荐库 KNN协同过滤算法推荐网易云歌单
python2.7环境
"""
from __future__ import (absolute_import, division, print_function, unicode_literals)
import os
import csv
from surprise import KNNBaseline, Reader, KNNBasic, KNNWithMeans
from surprise import Datasetdef recommend_model():file_path = os.path.expanduser('neteasy_playlist_recommend_data.csv')# 指定文件格式reader = Reader(line_format='user item rating timestamp', sep=',')# 从文件读取数据music_data = Dataset.load_from_file(file_path, reader=reader)# 计算歌曲和歌曲之间的相似度train_set = music_data.build_full_trainset()print('开始使用协同过滤算法训练推荐模型...')algo = KNNBasic()algo.fit(train_set)return algodef playlist_data_preprocessing():csv_reader = csv.reader(open('neteasy_playlist_id_to_name_data.csv'))id_name_dic = {}name_id_dic = {}for row in csv_reader:id_name_dic[row[0]] = row[1]name_id_dic[row[1]] = row[0]return id_name_dic, name_id_dicdef song_data_preprocessing():csv_reader = csv.reader(open('neteasy_song_id_to_name_data.csv'))id_name_dic = {}name_id_dic = {}for row in csv_reader:id_name_dic[row[0]] = row[1]name_id_dic[row[1]] = row[0]return id_name_dic, name_id_dicdef playlist_recommend_main():print("加载歌单id到歌单名的字典映射...")print("加载歌单名到歌单id的字典映射...")id_name_dic, name_id_dic = playlist_data_preprocessing()print("字典映射成功...")print('构建数据集...')algo = recommend_model()print('模型训练结束...')current_playlist_id = id_name_dic.keys()[102]//歌单idprint('当前的歌单id：' + current_playlist_id)current_playlist_name = id_name_dic[current_playlist_id]print("当前的歌单名字：")print(current_playlist_name)playlist_inner_id = algo.trainset.to_inner_uid(current_playlist_id)print('当前的歌单内部id：' + str(playlist_inner_id))playlist_neighbors = algo.get_neighbors(playlist_inner_id, k=10)playlist_neighbors_id = (algo.trainset.to_raw_uid(inner_id) for inner_id in playlist_neighbors)# 把歌曲id转成歌曲名字playlist_neighbors_name = (id_name_dic[playlist_id] for playlist_id in playlist_neighbors_id)print("和歌单<", current_playlist_name, '> 最接近的10个歌单为：\n')for playlist_name in playlist_neighbors_name:print(playlist_name, name_id_dic[playlist_name])
playlist_recommend_main()

运行结果

加载歌单id到歌单名的字典映射...
加载歌单名到歌单id的字典映射...
字典映射成功...
构建数据集...
开始使用协同过滤算法训练推荐模型...
Computing the msd similarity matrix...
Done computing similarity matrix.
模型训练结束...
当前的歌单id：4879924824
当前的歌单名字：
【美剧】良医插曲BGM 第二季
当前的歌单内部id：812
和歌单< 【美剧】良医插曲BGM 第二季 > 最接近的10个歌单为：良医BGM 3195822488
4869100193 4875075726
追逐繁星的孩子，梦里总有无尽星辰 4869100193
City pop ‖ 都市乐享主义 3133725493
【中世纪民谣】吟游诗人与时代挽歌 89963967
春日初告白 | 温暖男声，流进心底的阳光 3186322538
私人雷达|根据听歌记录为你打造 3136952023
起来 3079182188
[欧美私人订制] 最懂你的欧美推荐 每日更新35首 2829816518
「纯音」觅得一隅清净，花自尘埃出 3066614455

推荐系统搭建2

基于Word2Vec的网易云音乐歌曲推荐系统

# -*- coding:utf-8-*-
import os
import json
from random import shuffle
import multiprocessing
import gensim
import csvdef train_song2vec():""":return: 所有歌单song2Vec模型的训练和保存"""songlist_sequence = []# 读取网易云音乐原数据for i in range(1, 1292):with open("{0}.json".format(i), 'r') as load_f:load_dict = json.load(load_f)parse_songlist_get_sequence(load_dict, songlist_sequence)# 多进程计算cores = multiprocessing.cpu_count()print('Using all {cores} cores'.format(cores=cores))print('Training word2vec model...')model = gensim.models.Word2Vec(sentences=songlist_sequence, size=150, min_count=3, window=7, workers=cores)print('Save model..')model.save('songVec.model')def parse_songlist_get_sequence(load_dict, songlist_sequence):"""解析每个歌单中的歌曲id信息:param load_dict: 包含一个歌单中所有歌曲的原始列表:param songlist_sequence: 一个歌单中所有给的id序列:return:"""song_sequence = []for item in load_dict['playlist']['tracks']:try:song = [item['id'], item['name'], item['ar'][0]['name'], item['pop']]song_id, song_name, artist, pop = songsong_sequence.append(str(song_id))except:print('song format error')for i in range(len(song_sequence)):shuffle(song_sequence)# 这里的list()必须加上，要不songlist中歌曲根本就不是随机打乱序列，而是都相同序列songlist_sequence.append(list(song_sequence))def song_data_preprocessing():"""歌曲id到歌曲名字的映射:return: 歌曲id到歌曲名字的映射字典，歌曲名字到歌曲id的映射字典"""csv_reader = csv.reader(open('neteasy_song_id_to_name_data.csv'))id_name_dic = {}name_id_dic = {}for row in csv_reader:id_name_dic[row[0]] = row[1]name_id_dic[row[1]] = row[0]return id_name_dic, name_id_dictrain_song2vec()model_str = 'songVec.model'
# 载入word2vec模型
model = gensim.models.Word2Vec.load(model_str)
id_name_dic, name_id_dic = song_data_preprocessing()#song_id_list = list(id_name_dic.keys())[4000:5000:200]
song_id_list = id_name_dic.keys()[1000:1500:50]//数据的选取，间隔50
for song_id in song_id_list:result_song_list = model.most_similar(song_id)print(song_id)print(json.dumps(id_name_dic[song_id],encoding='UTF-8',ensure_ascii=False))print('\n相似歌曲和相似度分别为：')for song in result_song_list:print(json.dumps(id_name_dic[song[0]],encoding='UTF-8', ensure_ascii=False))print(song[1])#print('\t' + id_name_dic[song[0]].encode('utf-8'), song[1])print('\n')

运行结果

Using all 4 cores
Training word2vec model...
Save model..
420513125
"レイディ・ブルース-LUCKY TAPES"相似歌曲和相似度分别为：
"关键词-林俊杰"
0.626468360424
"水星记-郭顶"
0.621081233025
"鱼仔（Cover：卢广仲）-是你的垚"
0.619691371918
"嚣张-en"
0.617167830467
"世间美好与你环环相扣-柏松"
0.615520179272
"嗜好-颜人中"
0.614804267883
"大眠 (完整版)-小乐哥"
0.613656818867
"全部都是你-DP龙猪"
0.612156033516
"蓝-石白其"
0.612105309963
"I Know You Know I Love You-落日飞车"
0.611813962461422705673
"Past Lives（Cover：BØRNS）-孙圳翰"相似歌曲和相似度分别为：
"我还想她（Cover：林俊杰）-Uu"
0.590772628784
"所念皆星河-CMJ"
0.578336238861
"蓝-石白其"
0.576055586338
"零几年听的情歌-AY楊佬叁"
0.575863420963
"你要相信这不是最后一天-华晨宇"
0.56902128458
"七日seven days-小野道ono"
0.567467391491
"The truth that you leave-Pianoboy高至豪"
0.562936365604
"椿-沈以诚"
0.560849130154
"世间美好与你环环相扣-柏松"
0.559100747108
"克卜勒-孙燕姿"
0.5587019324318790760
"Wildest Moments-Jessie Ware"相似歌曲和相似度分别为：
"第三人称-Todd Li"
0.542654037476
"MELANCHOLY-White Cherry"
0.536370813847
"10%-SynBlazer"
0.53133648634
"Roundabout-Yes"
0.531289100647
"1%-Oscar Scheller"
0.528999328613
"后来-刘若英"
0.526810228825
"Creep-Gamper & Dadoni"
0.523189365864
"Kitarman-Ghulamjan Yakup"
0.521900355816
"大眠 (完整版)-小乐哥"
0.521808922291
"我想以世纪和你在一起-棱镜"
0.5206303000454898223
"Universe Song-土岐麻子"相似歌曲和相似度分别为：
"Adagio for Summer Wind-清水準一"
0.671902596951
"无人之岛-任然"
0.653309166431
"DJ DJ给我一条K (DJ抖音版)-安筱冷"
0.653192460537
"Something Just Like This (Megamix)-AnDyWuMUSICLAND"
0.650882899761
"My Heart Will Go On-满舒克"
0.649816930294
"Summer-久石譲"
0.649288952351
"冬眠-司南"
0.645800054073
"I Want You To Know (Hella x Pegato Remix) -Pegato"
0.641312420368
"所念皆星河-CMJ"
0.641280949116
"Neon Rainbow (feat. Anna Yvette)-Rameses B"
0.6412244439131342678507
"Flying Saucer-Shlump"相似歌曲和相似度分别为：
"The Lost Ballerina (Radio Edit)-Fiona Joy Hawkins"
0.587948739529
"水星记-郭顶"
0.582286775112
"Cyka Blyat-DJ Blyatman"
0.579136252403
"Crusade-Marshmello"
0.575079441071
"蓝-石白其"
0.570292174816
"愿你余生漫长-王贰浪"
0.570254147053
"你要相信这不是最后一天-华晨宇"
0.566699206829
"大课间跑步音乐-群星"
0.566686093807
"See You Again-Wiz Khalifa"
0.565815865993
"想自由-林宥嘉"
0.563404619694558572724
"刘若英-后来（水潇 Remix）-二狗村高富帅"相似歌曲和相似度分别为：
"Little Girl (As Featured in \"Unbroken: Path to Redemption\" Film)-Andrea Litkei"
0.561440587044
"大城小爱-王力宏"
0.548691391945
"You Look Lovely-音乐治疗"
0.544121265411
"关山酒-等什么君"
0.543048799038
"囍（Chinese Wedding）-葛东琪"
0.53617054224
"红色高跟鞋-蔡健雅"
0.534194111824
"世间美好与你环环相扣-柏松"
0.532548666
"Dancing With Your Ghost-Sasha Sloan"
0.532440066338
"The Way I Still Love You-Reynard Silva"
0.532300829887
"Be My Mistake-The 1975"
0.532189667225574274427
"Whip Blow-Yuji Kondo"相似歌曲和相似度分别为：
"那女孩对我说 (完整版)-Uu"
0.466711193323
"Che m'importa del mondo-Rita Pavone"
0.460101604462
"荒野魂斗罗 (Live)-华晨宇"
0.444359987974
"Monsters (Live)-周深"
0.440917819738
"寒鸦少年 (Live)-华晨宇"
0.43233910203
"Reality-Lost Frequencies"
0.418823868036
"寒鸦少年-华晨宇"
0.418192714453
"吹梦到西洲（四合院版本）（Cover：恋恋故人难）-四只烤翅"
0.4164057374
"Sayama Rain 2?(?Demo)-The Nature Sounds Society Japan"
0.415658026934
"神树 (Live)-华晨宇"
0.41013062000322637718
"どうか届きますように-SMAP"相似歌曲和相似度分别为：
"星屑ビーナス-Aimer"
0.52750056982
"There For You-Martin Garrix"
0.522041022778
"Blanc-Sylvain Chauveau"
0.503010869026
"Pyro-Chester Young"
0.50101774931
"21 Miles-MY FIRST STORY"
0.499602258205
"“露を吸う群”-増田俊郎"
0.498453527689
"我-张国荣"
0.495759695768
"Manta-刘柏辛Lexie"
0.495319634676
"ᐇ-Seto"
0.495067447424
"Cyka Blyat-DJ Blyatman"
0.4939846396451376148033
"爱要坦荡荡（Cover：萧潇）-小天才鸭"相似歌曲和相似度分别为：
"那女孩对我说 (完整版)-Uu"
0.548079669476
"intro (w rook1e)-barnes blvd."
0.540413379669
"无人之岛 （Cover：任然）-是你的垚"
0.517935693264
"You Look Lovely-音乐治疗"
0.51715862751
"pure imagination-ROOK1E"
0.515536487103
"I Want You To Know (Hella x Pegato Remix) -Pegato"
0.514691889286
"Wonderful World-ChakYoun9"
0.51469117403
"GOOD NIGHT-Lil Ghost小鬼"
0.514522790909
"好几年-刘心"
0.512091457844
"7 %-XMASwu"
0.5116701722151407561335
"去追一只鹿-万象凡音"相似歌曲和相似度分别为：
"Late summer-周涵"
0.60853689909
"星茶会-灰澈"
0.604638457298
"嚣张-en"
0.602224886417
"最甜情歌-红人馆"
0.601751744747
"蓝-石白其"
0.60148859024
"Monody (Radio Edit)-TheFatRat"
0.601218402386
"My Heart Will Go On-满舒克"
0.600651681423
"只是太爱你-丁芙妮"
0.599411010742
"The rain-Vsun"
0.598190009594
"Frisbee-Ahxello"
0.59788608551

机器学习推荐系统记录相关推荐

1. [机器学习] 推荐系统之协同过滤算法（转）

   [机器学习]推荐系统之协同过滤算法 在现今的推荐技术和算法中,最被大家广泛认可和采用的就是基于协同过滤的推荐方法.本文将带你深入了解协同过滤的秘密.下面直接进入正题. 1. 什么是推荐算法 推荐算法最 ...

2. 机器学习学习过程记录

   机器学习学习过程记录1 # np.meshgrid 生成网格点坐标矩阵. 把平面图变成一张'网图' 方便后面整体上色 # np.arange() 函数返回一个有终点和起点的固定步长的排列xx, yy ...

3. 机器学习/推荐系统/推荐系统算法工程师面试指导

   面试指导 文章目录 面试指导 1.机器学习/推荐系统/推荐系统算法工程师面试技能图 2.1 推荐系统算法相关面试笔试题 2.2 机器学习相关问题 重点: 2.3 框架方面 2.4 业务流程 3.简历指 ...

4. 机器学习推荐系统评价指标之AUC

   机器学习推荐系统评价指标之AUC 综述 AUC的计算过程 AUC的优势 综述 AUC是机器学习模型中常见评价指标,在推荐系统中也十分常见.和常见的评价指标Acc,P,R相比,AUC具备一定的优势. A ...

5. 机器学习-推荐系统-利用用户标签数据

   在之前的博文中介绍了三种方法给用户推荐物品. 1)UserCF:给用户推荐和他们兴趣爱好相似的其他用户喜欢的物品. 2) ItemCF:给用户推荐与他喜欢过的物品相似的物品. 3) LFM:通过一些特 ...

6. 机器学习---推荐系统效果评估NDCG

   参考连接:http://www.cnblogs.com/supersteven/archive/2012/09/01/2666565.html 首先非常感谢作者不辞辛苦整理与分享. 根据作者描述以及提 ...

7. 2.机器学习小记录--机器学习常用的python包

   目录: 一.numpy 二.pandas 三.matplot 四.seaborn 一.Numpy 1.numpy的介绍 numpy是python语言的一个第三方库,其支持大量高维度数组和矩阵运算(二位 ...

8. [Python嗯~机器学习]---机器学习推荐系统简述

   推荐系统 这个博客我们讨论一个有用的算法,也就是大家感兴趣的能变现的算法----推荐算法. 现在,当我们浏览网页的时候,服务器都会记录用户的行为,来分析我们的喜好并且推荐相关的信息. 举个例子吧,电影 ...

9. 机器学习 推荐系统常见指标计算

   文章目录 机器学习常见指标计算 Precision .Recall 和F1 Score AUC 和 ROC 推荐系统常见指标计算 HR 和 NDCG MRR MSE. RMSE和MAE 机器学习常见指 ...

最新文章

1. Tomcat 启动卡住
2. JScrollPane 滚动处理
3. android bootloader阶段GPIO的控制
4. java登录界面命令_Java命令行界面（第12部分）：CLAJR
5. php 把一个数组分成有n个元素的二维数组的算法
6. Sharepoint学习笔记—习题系列--70-573习题解析 -(Q40-Q44)
7. php循环读取mysql_PHP无限循环获取MySQL数据
8. 搭建企业分支机构(单域多站点）虚拟网络之W2k3 (一) 初稿
9. mysql中engine是什么意思_mysql中engine=innodb和engine=myisam的区别
10. 反射与泛型 java_深入理解Java的反射和泛型
11. “编程太差，那你别搞开发了！”基础差的程序员，你不知道有多难！！
12. spring.net学习（一） 搭建环境，实例化spring.net容器。
13. 小杯子微信多开 双开共存版 ios8.0微信版本6.0免费获取了
14. 第13章 Python建模库介绍--Python for Data Analysis 2nd
15. python 数据库框架peewee_python peewee模块使用
16. Pyspark学习笔记小总
17. 【写博客常用】参考文献一定要按顺序标么
18. 22个关于ES6的最新面试题汇总整理
19. 屡遭欧盟天价罚单，欧洲国家为何总看谷歌、苹果、Facebook不顺眼？
20. 在亚马逊严抓测评的风口下，亚马逊买家秀关联视频或许是一个安全有效的方式

热门文章

1. RoboCup仿真3D底层通信模块介绍(二)
2. YOLO 模型的评估指标——IOU、Precision、Recall、F1-score、mAP
3. 东财《人力资源管理X》综合作业
4. 嵌入式知识框架之六-接口与总线（SPI\I2C\ USB\PCI\PCI-E\SD\SDIO\以太网接口）
5. python实现3d扫描_三维激光扫描建模仪（基于树莓派）
6. 【量子力学】国际象棋与量子国际象棋Quantum Chess游戏规则
7. 用计算机变的魔术,iPhone计算器不为人知的隐藏技能，听说竟然还能用它变魔术？...
8. H5中ajax()方法发送网络数据请求
9. 记录一下nginx代理引起的ip失真问题
10. HDU 6608 FansBlog(粉丝博客）（MillerRabin算法+威尔逊算法）