Studoši

Da se ja nadovežem ove godine lol

Dakle imam isti problem kao neki kolege ovdje a taj je da mi radi program za dani primjer iz PDF-a labosa i iz zbirke, no ni najednom iz testa danog mi ne radi, odnosno pogreška je u 0.1 do 0.3 vrijednosti, ali za svaki upit.

Jel netko imao sličan problem?
Koristite li zaokruživanja u postupku ili zaokruživate tek na kraju kad treba isprintati predviđeni rating itema/usera?

iNut Imala sam sličnu stvar, greška mi je bila ono što je već spomenuto u ranijim postovima, u skup k najsličnijih korisnika su mi ulazili i korisnici koji nisu dali ocjenu za traženi item (ista stvar za najsličnije iteme).
Zaokruživala sam samo predviđanje na kraju.

dh333
Isti mi je problem pa sam te htio pitati možeš li mi kopirati ispis svih sličnosti za prvi i zadnji upit u oglednom primjeru kojeg su nam dali na stranicama ppredmeta taman pred računanje predikcije. Dakle to je nakon što si izbacila sve one iteme/usere koji nisu ocijenjeni.

Nije mi nikako jasno kako da izvedem računanje pearsonovog koeficijenta, kako god da okrenem krivo mi ispadne…

Jel bi mogao netko ispisati korelacijske koeficijente za 2. query iz primjera u uputama, to jest ‘4 1 0 2’. Dakle koja dva itema ulaze u procjenu i koliki su njihovi korelacijski koeficijenti. Bio bi jako zahvalan 🙂

Kupine Moj problem je bio u tome što sam pratio formulu pearsonovog koeficijenta sa slajdova u kojem se iterira po skupu u kojem se samo nalaze rejtinzi koji postoje za oba itema/usera. Zapravo treba računati pearsonov koeficijent punih vektora no nedostajuće vrijednosti se zamjene srednjom vrijednosti odgovarajućih vektora.

iNut
Da se nadovežem na ovo svoje, naravno da je problem bio kao što je kolegica gori navela i kao što su mnogi drugi naveli u labosu od prošle godine, pisao sam u Pythonu. Za listu sličnosti sam koristio list comprehension kojemu su elementi bili parovi (cosine(x, y), indeks usera/itema) a ta je lista bila složena tako da sam unutar list comprehensiona to sve stavio unutar sorted funkcije te joj predao zastavicu reverse=True da bi mi ispisalo po opadajućoj vrijednosti sličnosti da mogu odmah izbaciti element sa sličnošću 1.0 (to je taj za kojeg tražimo rejting) te bi se element dodao ako je sličnost veća od nule.
Sljedeće sam provjeravao po listi po elementima indekse te sam gledao u originalnoj matrici koje ocjene user nije dao odnosno item ih nema (ovisno o pristupu).
Na kraju sam ispisao predviđanje.

Moja pogreška:
Napravio sam sve kako sam rekao za inicijalnu listu sličnosti, no nisam izbacio elemente koji nemaju ocjenu za promatranog usera/itema nego sam prvo uzeo prvih K vrijednosti (pošto su najveće) pa sam ih onda izbacivao.

Dakle klasična greška za ovaj labos. Dico čuvajte si živce i poštedite nepoznate kolege koje uče s vama na hodniku vaših psovki na glas.

Kupine koja je točno razlika između ta dva pristupa

kod pearsona srednje vrijednosti redaka se računaju zanemarujući nedostajuće vrijednosti ili su one 0?
tj dijelimo li s brojem postojećih vrijednosti ili brojem svih usera/itema?

mislim na izračun ovih vrijednosti

mornar Ica zanemaruješ nedostajuće vrijednosti i dijeliš samo s brojem postojećih.

Pearson? Meni sve normalno radi s kosinusnom mjerom sličnosti…

gladiator pearson i je kosinusna mjera sličnosti u nekom vektorskom prostoru između dva vektora

Lyras hvala kolega