背景前提:已知某商品的推荐算法是根据一坐标关系的线性回归方程来推荐的,有如下条件

对于某一商品存在不同的四种客户,分别如下:

1、铁杆粉丝

2、摇摆不定(想买欲望大)

3、摇摆不定(不想买欲望大)

4、毫无兴趣

对于四种人,我们有以下情况:

一、

推荐系统基于python的超市智能商品推荐系统代码实现 商品智能推荐算法_推荐算法

对于这种情况算法推荐人群较为合理,可以在摇摆不定的人中尽可能多推荐。但是如果是如下情况。

推荐系统基于python的超市智能商品推荐系统代码实现 商品智能推荐算法_推荐算法_02

推荐系统基于python的超市智能商品推荐系统代码实现 商品智能推荐算法_机器学习_03

推荐系统基于python的超市智能商品推荐系统代码实现 商品智能推荐算法_人工智能_04

 

像这种情况,买的人的权重过大,以至于推荐发生偏移。这样就不符合我们的预期了,这时候我们就要想一个办法让他的回归方程降低。这时候我们显然想到加入权值以平衡,我们之前学过,有一种叫sigmoid的函数。其图像是。

推荐系统基于python的超市智能商品推荐系统代码实现 商品智能推荐算法_推荐算法_05

仔细观察,没错,在极低和极高的变化率极小,把他变化率当做权值不失为一种好的方法。

现在我们可以引入一个新的东西,

推荐系统基于python的超市智能商品推荐系统代码实现 商品智能推荐算法_推荐算法_06


很简单,就是sigmoid函数套了一个概率,乘上去得到logistic回归,它在各个方面都能用上,金融,推荐,商业化方面运用广泛。

好了,高能预警!

 

 

对于以下的图还能用logistic去分类吗?

推荐系统基于python的超市智能商品推荐系统代码实现 商品智能推荐算法_人工智能_07

 

数学大佬请求出战!

对于这样的一个分布,我们可以用高斯核函数(就是某种沿径向对称的标量函数。 通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数 , 可记作 k(||x-xc||), 其作用往往是局部的 , 即当x远离xc时函数取值很小。最常用的径向基函数是高斯核函数 ,形式为 k(||x-xc||)=exp{- ||x-xc||^2/(2*σ^2) } 其中xc为核函数中心,σ为函数的宽度参数 , 控制了函数的径向作用范围。)

康康百度好吗,秋梨膏。

对于像我一样的萌新(憨批)的话,是挺难理解的,一句话来说,高斯核函数可以将二维的升至三维,四维乃至无限维(只要你能想象的出)。

如下:

推荐系统基于python的超市智能商品推荐系统代码实现 商品智能推荐算法_权值_08

就是这样,在空间内用logistic分类即可得到。。。

同样具有二维的性质。

 

大概讲讲说了这么多的原因和大致思想,对于机器来说,‘学习’一个东西是要给他具体的方法的,就比如说,一个函数,一个公式等等,如果你给如上图所示的图形,机器是不能自发的将其升维。也就是目前的所谓‘学习’’,并不是真正的能自发的学习。

 

 

说个有意思的事,我们学校一学长,去参加一个比赛,他的项目是关于机器学习的。以下是他的原话

‘就下面答辩的老师问的问题都暴漏水平我拿什么去参加校选比赛? 问:“人工智能机器学习,那你这个软件可以自己学习自己升级吗?” 我是真的没办法好吧我参加个蛇皮比赛,就二手交易这样的通俗易懂的才可以是吗?’

 

真狠啊,自己升级23333333。

噢,脑袋不行了,溜了溜了,纯萌新,有错勿怪。