Loading...
机构名称:
¥ 1.0

摘要本文致力于评估电影推荐系统中集合机器学习模型的有效性。它探讨了各种集合方法,包括随机森林,adaboost,XGBoost,LightGBM,Catboost和梯度提升机,以增强预测用户偏好的准确性。该研究基于Movielens 100K数据集,该数据集包含1,682部电影中943位用户的100,000个评级。功能工程,数据归一化方法和迭代功能选择的应用提高了模型准确预测用户兴趣的能力。分析表明,XGBoost模型的最佳结果为0.902,与所考虑的其他模型相比,预测准确性更高。LightGBM和Catboost还显示了竞争结果,RMSE值分别为0.910和0.919。这项研究强调了综合方法在开发适应用户各种偏好和环境的建议系统中的重要性,并在该领域开辟了广泛的观点,以进一步研究。

电影推荐系统的合奏机器学习模型

电影推荐系统的合奏机器学习模型PDF文件第1页

电影推荐系统的合奏机器学习模型PDF文件第2页

电影推荐系统的合奏机器学习模型PDF文件第3页

电影推荐系统的合奏机器学习模型PDF文件第4页

电影推荐系统的合奏机器学习模型PDF文件第5页

相关文件推荐

2023 年
¥1.0