데이터사이언스 기록기📚

📌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 = [..

📌 추천시스템이란? - 추천시스템 : 사용자 과거 행동 데이터 or 다른 데이터를 바탕으로 사용자에게 필요한 정보, 제품을 골라서 제시해주는 시스템 추천 : 고객들의 취향이 비슷한 집단으로 나눔 → 집단에 잘 맞는 제품, 서비스 골라주는 것 특징 : 사용자가 어떤 아이템을 좋아하는지 선호도 정확히 예측 중요 📌 주요 추천 알고리즘 1. 협업 필터링 (CF : Collaborative Filtering) 정의 : 구매 제품에 대한 소비자의 평가 → 평가 패턴이 비슷한 소비자를 한 집단으로 설정 → 집단에 속한 소비자들 취향 활용 특징 : 사람들의 취향이 뚜렷이 구분되는 제품(영화, 패션, 음악) 추천시 정확 한계점 : 소비지들의 평가 정보 구하기 어려움 한계점의 해결책 : 클릭스트림으로 간접적인 정보 활용..