데이터사이언스 기록기📚

📌목차 [행렬 연산 예시] 1. 내적과 Element-wise 연산 2. 전치 행렬 3. 역행렬 4. 대각행렬 5. 고유값과 고유 벡터 6. 랭크 7. SVD [유사도 메트릭] 1. 코사인 유사도와 유클리드 거리 비교 📌행렬 연산 예시 1. 내적과 Element-wise 연산 - 내적(dot product) : 두 벡터의 각 자리 원소의 곱 → 모두 더한 값 - 원소별 연산(Element-wise) : 두 행렬 or 벡터의 각 원소끼리 곱하는 것 - 내적(np.dot()) a = np.array([1,2,3]) b = np.array([4,5,6]) # 내적 과정 print("\n", a[0]*b[0], "+", a[1]*b[1], "+", a[2]*b[2]) print("Dot product of a ..

📌목차 1. 컨텐츠 기반 필터링 vs 협업 필터링 2. 장단점 3. 구현 절차 4. 관련 코드 ✔️ 컨텐츠 기반 필터링 vs 협업 필터링 - 컨텐츠 기반 필터링(아이템 기반) : 고객이 시청했던 컨텐츠와 유사한 컨텐츠 추천 - 협업 필터링(고객 기반) : 같은 컨텐츠를 소비한 고객이 유사하다고 가정, 서로 시청했던 컨텐츠를 추천 ✔️ 컨텐츠 기반 필터링 장단점 장점 단점 적은 상호작용시에도 가능 (cold start 상황에 적합) 아이템 cold start에 강점 - 유저 구매한 아이템 기준에 따라 기본 아이템 값 변경 가능 해석 가능(어떤 Feature가 추천에 도움되었는지 근거 찾을 수 있음) Feature의 품질에 크게 영향 받음 신규유저 cold start - 아무런 아이템 클릭한 적 없는 유저에..

📌목차 1. 인구통계 기반 필터링(Demograpic Filtering) 2. 인기도 기반 추천(Popularity Based) 3. 지식 기반 추천(Knowledge Based) 4. 규칙 기반 추천(Rule-Based) ✔️인구통계 기반 필터링(Demograpic Filtering) - 정의 : 연령, 나이, 직업과 같은 정보로 추천 제공 - 가정 : 인구통계학 특성 유사한 사용자 → 선호도와 관심사가 비슷할 것이라고 가정 - 특징 : 단순한 피처 기반 필터링(유저 피처, 아이템 피처 페어링 → 유저기반만 활용) - 장단점 장점 단점 - 단순, 직관적 - 콜드스타트에 대응가능(아무런 정보가 없어도 적당한 추천 가능) - 해석 가능 - 개인화 안됨 - 고정관념에 기반(공정성의 문제 발생) - 개인정보의..

📌 추천시스템 진행 과정 [데이터 불러오기]데이터 읽기 [추천시스템] Best Seller 추천 or 사용자 집단별 추천 [추천시스템 평가] 추천 시스템 정확도 측정 ✔️데이터 읽기 - MovieLens 100K 데이터 활용 # 사용자 정보 import pandas as pd u_cols = ['user_id', 'age', 'sex', 'occupation', 'zip_code'] users = pd.read_csv('u.user',sep='|', names=u_cols, encoding = 'latin-1') users = users.set_index('user_id') users.head() # 영화 정보 # 장르 unknow ~ Western 0-1 바이너리로 표현(원핫인코딩) i_cols = [..