skip to main
|
skip to sidebar
xlvector's solution of NetflixPrize
2009年3月19日星期四
在已有的模型结果上做KNN
假设我们已经有了一个预测器b。我们定义item直接的相似度为:
然后用item-based KNN进行预测,我们在20个factor的SVD结果上,进行了K=30的KNN算法。计算出一个预测器,加入到最后的预测器集合中融合,得到
RMSE=0.8782
。
我准备将这个方法应用到更多的预测器上
没有评论:
发表评论
较新的博文
较早的博文
主页
订阅:
博文评论 (Atom)
我的博客列表
向量 Vector 的空间
Hector :go 语言机器学习库
11 年前
Just a guy in a garage
Supercomputing made super easy
13 年前
Pragmatic Theory
Netflix Grand Prize technical presentation
15 年前
王元涛的Blog
Twitter Updates
follow me on Twitter
我的简介
xlvector
中关村, 北京, China
查看我的完整个人资料
博客归档
▼
2009
(23)
►
五月
(1)
►
四月
(10)
▼
三月
(12)
TimeSVD
Global Effects in Netflix Prize
在已有的模型结果上做KNN
电影发布时间的影响
基于分解的邻域算法
普通的SVD方法已经到头了
时间信息在推荐系统中的作用
加入了sigmoid核函数方法,RMSE0.8949
考虑用户时间因素的SVD模型(TimeSVD02Model)
考虑电影的时间因素(ItemKNN3Model)
关于SVD模型中的kernel
到目前为止的进度
标签
svd
(6)
time
(4)
knn
(3)
RBM
(2)
cluster
(2)
nsvd
(2)
global effects
(1)
item-based
(1)
kernel
(1)
neighborhood
(1)
netflix
(1)
publish time
(1)
sigmoid
(1)
user
(1)
并行
(1)
关注者
订阅
博文
Atom
博文
评论
Atom
评论
没有评论:
发表评论