# python_arith_1

**Repository Path**: enzoism/python_arith_1

## Basic Information

- **Project Name**: python_arith_1
- **Description**: python进行python算法学习
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2023-07-21
- **Last Updated**: 2024-11-01

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# python进行算法的学习
> 如果不把学习的算法使用工具进行演示，感觉学到的东西都是空的！[Python3.7]
-- --
## 01-协同过滤
``` 
import numpy as np


# 基于用户的协同过滤算法
def user_based_collaborative_filtering(matrix):
    # 计算用户之间的相似度矩阵
    similarity_matrix = np.dot(matrix, matrix.T)

    # 对相似度矩阵进行归一化
    norms = np.array([np.sqrt(np.diagonal(similarity_matrix))])
    similarity_matrix = similarity_matrix / norms / norms.T

    # 预测用户未评分物品的评分
    predicted_ratings = np.dot(similarity_matrix, matrix)

    return predicted_ratings

"""
我们首先定义了一个user_based_collaborative_filtering函数来实现基于用户的协同过滤算法。它接受一个评分矩阵作为输入，并返回一个预测评分矩阵。

然后，我们定义了一个示例评分矩阵ratings_matrix，其中行表示用户，列表示物品，并填充了一些评分数据。

最后，我们使用user_based_collaborative_filtering函数对评分矩阵进行预测，并打印出预测的评分矩阵。

请注意，这只是一个简单的示例，实际的协同过滤算法可能需要更复杂的处理和优化。此外，你可能需要使用更大规模的真实数据集来获取更准确的预测结果。
"""
if __name__ == '__main__':
    # 一个示例评分矩阵「行表示用户，列表示物品」
    ratings_matrix = np.array([
        [5, 3, 0, 1],
        [4, 0, 0, 1],
        [1, 1, 0, 5],
        [0, 1, 5, 4],
        [0, 1, 0, 4],
    ])
    # 使用协同过滤进行预测
    predicted_ratings = user_based_collaborative_filtering(ratings_matrix)

    print("预测评分矩阵:")
    print(predicted_ratings)

```