Surprise

1. 데이터로딩
   1. Reader : 데이터 컬럼 format, rating, scaling
   2. Dataset : Built-in, OS, DataFrame에서 데이터 로딩
2. 모델 선정 및 학습
   1. 추천 알고리즘 설정 : SVD, KNNBasic 등
   2. Train 데이터로 학습 : train() 
3. 예측 및 평가
   1. 예측 : test(), predict()
   2. 평가 : accuracy, rmse 등
   3. 교차검증 : cross_validate
   4. 하이퍼 파라미터 GridSearchCV

 

이런 데이터 포멧으로 고정이 되어 있다.

userid, itemid, rating(평점)

 

1. 필요한 라이브러리 로딩

from surprise import SVD, Dataset, accuracy

from surprise.model_selection import train_test_split

 

2. 데이터셋 로딩

data = Dataset.load_builtin('ml-100k')

tarinset, testset = train_test_split(data, test_size=25)

 

3. 행렬 분해를 수행할 알고리즘으로 SVD 생성 후 학습용 데이터로 학습

algo = SVD()

algo.fit(trainset)

 

4. 테스트 데이터셋에 대해서 prediction을 수행. 일반적인 사이킷런의 predict() 메소드는 surprise에서 test() 메소드

특정 사용자와 item에 대한 predict는 predict() 메소드

predictions = algo.test(testset)