吴恩达机器学习(七)

推荐系统

基于内容的推荐算法

使用对电影评价的例子

其中表示对Alice打？处的内容进行预测，则需要首先求出图中的 $x^{(3)}$，然后将其与 $\theta^{(1)}$相乘，即 $(\theta^{(1)})^Tx^{(3)}$所得结果

然后使用梯度下降法对其中的参数 $\theta^{(j)}$进行迭代计算

---

协同过滤(Collaborative Filtering)

给定 $\theta^{(j)}$，对 $x^{(i)}$进行计算
当你执行算法时，要观察大量的用户，从而协同地得到更加的每个人的特征
协同的另一层意思是每位用户都在帮助算法，通过迭代，使最后的值更加精确

---

协同过滤算法

其实就是将两个最小化的算式进行叠加，从而得到一个总的最小化算式

---

均值归一化

面向情况是针对那些 $\theta$矩阵计算结果为0的用户，那么这个矩阵就没有意义。而我们要做的是先将每个元素减去其每行的平均值，再最后计算完毕之后，将平均值加回来，那么最后所得的 $\theta$矩阵就不会是全零而会是平均值向量，使结果更有意义。