非負値行列因子分解（NMF）によるレコメンドのちょっとした例 - About connecting the dots.
最近線形代数についていろいろ読みなおしたりしてるのですが（線形代数チートシートを前の記事でまとめてあります），その一環でレコメンドアルゴリズムについていくつか試してみたので，それを解説します．順序としては，基本の協調フィルタリング（ユーザベースド，アイテムベースド）→特異値分解（SVD）→非負値行列因子分解（NMF）になります． 基本的な考え方 ここで取り扱うのは，すべて以下のようなユーザ×商品のマトリックスをベースとしたレコメンドになります*1．ここでは映画レンタルサービスを例にして考えます．6人のユーザが，4つの映画*2のうちレンタル視聴したものについては，1-5点の5段階評価を行いました．0になっているものは「みていない」ということになります． まずはざっと評価の状況をみると，「千と千尋の神隠し」が最もよく視聴されていて，6人中4人がみています．次にみられているのは「となりのトトロ」
ポアソン分布
「ランダムに事象が起きる」という考え方 次の図は1200秒間に初代ポケットガイガー（PINフォトダイオードを使った放射線計）が放射線をカウントした時刻を示したものです。下は机の上にそのまま置いた場合（全部で17カウント），上はやさしお（カリウムを多く含む塩）の上に置いた場合（全部で38カウント）です。 par(mgp=c(2,0.8,0)) plot(c(0,1200), c(0,3), type="n", axes=FALSE, xlab="", ylab="") axis(1) x1 = c(55,81.5,178.1,194.4,214.3,254.3,517.8,548.7, 553.6,556.6,700.1,730.7,735.6,881.9,883.3,962.2,1164.2) x2 = c(43.9,54.8,85,94.3,115.2,224.5,228.5,246.1
Minimisation – Mailund on the Internet
Mailund on the Internet Computer science, bioinformatics, genetics, and everything in between Just for something to do on a lazy Sunday afternoon – where the only “excitement” was voting for the EU parliament (and the law concerning the succession to the Danish throne that won’t be relevant for the next two generations) – I played with R a little bit. I should be reading three Master’s theses (I’m
遺伝的アルゴリズムをRで書いてみた - yasuhisa's blog
Rejectセキュリティ&プログラミングキャンプでは極度の体調不良*1により、あんまりコーディングしてる時間が取れなかったのですが、それでもなんとか自分がやろうと思っていたところができました。集合知プログラミングの11章「進化する知性」ということで、遺伝的アルゴリズムをやってみました。最初はRubyで書いてたんですが、Rubyのことをあんまり分かってないらしく、バグってるっぽい流れ*2。ということで手がちょっとは動くRで書いてみました。クラスとかを作らないと厳しい感じだったので、初めてのS4とかに挑戦してみたんですが、あんまりいいコードではない気がする。 この章でやっていることは、xとyに0から40までの一様乱数を用意して、の結果を予測する関数を生成するプログラムを書こう、ということです。 関数を生成するプログラム、ということで、「解析木」というものが必要になるそうです。解析木というのはこ
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
R-Source
セミナー
