以神经网络的假阳性作为推荐系统的结果？
我正在创建一个推荐系统，并考虑将问题形式化的两种并行方法。一种是使用邻近性的经典产品(如果大多数2k+1客户最接近该产品，则向客户推荐该产品)；另一种是我难以理解但在某种程度上似乎有效的产品。
我想的方法是：
1)将高度正则化的神经网络(以确保它不超过训练集)用于分类任务，该分类任务可以预测人是否有给定的产品
2)确保测试精度尽可能接近训练精度。
3)在整个数据集(也是培训集)上，以错误阳性(客户最初没有产品，但NN预测有)作为结果--我应该推荐产品的人。
现在，我知道为什么一般人不想采用这种方法，但我也不能确切地解释为什么它不会让人们“亲近”于“应该”给出类似于KNN的产品的产品。我不知道如何准确地分析这个问题来验证、修改或完全拒绝这个想法。
回答 1
Data Science用户
发布于 2018-08-30 13:47:06
1)是回归，而不是分类。
您应该尝试从决策树的角度来考虑它，而不是NN。客户的属性都是该客户的产品，以及有关该客户的所有附加信息。
由于任务是回归的，决策树的所有叶将具有标签0(如果决策路径导致声明客户没有产品)或标签1(如果决策路径导致客户拥有产品的声明)。
在构建决策树时，我们必须从根开始，根据所选属性的值，决定我们将使用哪个属性作为第一个节点，从那里所有客户将获得相应的分支。该属性是通过使用熵计算信息增益值最高的属性来选择的。这仅仅意味着我们选择属性，它将客户划分为每个集合的集合，理想情况下，每个集合的客户数量与0和1相同。
对于从父节点分支的每个新节点，只要存在一个信息增益高于阈值的属性，或者树变得很深(因为它是NP-完全的)，就会重复这种情况。现在我们在每片叶子上数0和1的数量，并将叶子标记为最大值(0，1)。由此得出的结论是:如果一个客户虽然是0的话，但他的价值却是1，那么对于这个客户来说，最高的信息增益属性的值与对于1岁的客户的值是一样的。
https://datascience.stackexchange.com/questions/37193
复制相似问题
腾讯云开发者
