如何進行Algobase() 類的功能分析

如何進行Algobase() 類的功能分析，相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。

AlgoBase() 類我們前面提到過，是所有算法的父類，那么 AlgoBase() 就應該把所有算法的共同的方法抽象出來。換句話說，AlgoBase() 中的方法，是所有子類都可能擁有的功能。

那么我們先看一下都有哪些函數，然后挑其中幾個比較重要的看一下代碼。

簡單的都介紹一下它們的功能。

fit()

fit() 我們在 KNN 的算法中看到，子類也重寫了這個函數，那么在父類中主要做了什么呢？父類中主要的作用是給 self 綁定上對應的 trainset，也就是對當前算法對象賦予一個 self.trainset 屬性。

predict()

def predict(self, uid, iid, r_ui=None, clip=True, verbose=False):    # Convert raw ids to inner ids    try:        iuid = self.trainset.to_inner_uid(uid)    except ValueError:        iuid = 'UKN__' + str(uid)    try:        iiid = self.trainset.to_inner_iid(iid)    except ValueError:        iiid = 'UKN__' + str(iid)
    details = {}    try:        est = self.estimate(iuid, iiid)
        # If the details dict was also returned        if isinstance(est, tuple):            est, details = est
        details['was_impossible'] = False
    except PredictionImpossible as e:        est = self.default_prediction()        details['was_impossible'] = True        details['reason'] = str(e)
    # clip estimate into [lower_bound, higher_bound]    if clip:        lower_bound, higher_bound = self.trainset.rating_scale        est = min(higher_bound, est)        est = max(lower_bound, est)
    pred = Prediction(uid, iid, r_ui, est, details)
    if verbose:        print(pred)
    return pred

代碼我們可以簡單的看為三部分，第一部分是兩個 try  的異常處理，將數據集中的 raw id 轉為處理過后的內部 ID。在前面數據集處理的時候，我們看了將所有 ID 轉化為一個內部的 inner ID。

第二部分是去調用該算法自己的 estimate() 函數，這個函數一般在對應算法的子類中寫了。不同的算法對應不同的 estimate() 方法。同時返回值有時候會包含一個 details 的內容，這個時候預測結果 est 就是一個包含了預測得分和 details 的元組，此處進行了拆分。如果預測失敗，則調用下一個函數：default_prediction()，我們馬上就介紹它。

第三部分是一個 clip() 的內容，就是判斷預測的結果是否超出范圍，進行一個規范化。

通過這三步完成了一個預測，最后返回一個用 Prediction() 進行預測的結果值.

default_prediction()

當預測出現問題的時候，就會選擇調用 default_prediction()，這個函數調用 trainset 本身的 global_mean 方法，最終返回整個數據集的評分的平均值。

test()

def test(self, testset, verbose=False):    predictions = [self.predict(uid,                                iid,                                r_ui_trans,                                verbose=verbose)                    for (uid, iid, r_ui_trans) in testset]    return predictions

test() 函數直接為 testset 中的每組數據去調用前面的 predict() 函數，返回一個 list 結果。

compute_baselines()

這部分會計算 user 和 items 的 baseline，只計算一次，如果在同一個數據集中已經被調用過了，下次則是直接返回結果，這里和算法之間的具體交互目前還沒有看到，后面我們遇到再詳細介紹。

compute_similarities()

這個方法構建一個相似性矩陣，在 AlgoBase() 類初始化的時候會有一個變量 sim_options，這個變量決定了以什么相似性來構建相似性矩陣。

在 surprise 中有一個 similarities.cpython-37m-darwin.so 文件，這個文件封裝了不同的相似性計算方法。

在 compute_similarities 中會利用這個文件構建的 similarities 包，最終返回一個目標的相似性矩陣。

get_neighbors()

這個方法傳入一個 user ID，傳入一個 int 值 k，返回結果為和這個 user 最相似的 k 個 user 的 ID。

AlgoBase() 基類構建了一些常用的方法，基本上包含了擬合，預測，驗證等功能接口，在具體的算法中會重寫這些方法，后者調用。

看完上述內容，你們掌握如何進行Algobase() 類的功能分析的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！