-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathreccLabExmp.R
418 lines (294 loc) · 14.2 KB
/
reccLabExmp.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
#Creating predictions is then also straight-forward. You just call `predict()` and pass the model, the ratings for the user you want to predict ratings for, and a parameter to tell the function that you want to get predicted ratings back.
#Making predictions
prediction <- predict(model, real_ratings[current_user, ], type = "ratings")
#Let's have a look at the best predictions for David:
as(prediction, 'data.frame') %>%
arrange(-rating) %>% .[1:5,] %>%
mutate(item_id = as.numeric(as.character(item))) %>%
left_join(select(books, authors, title, item_id), by = "item_id") %>%
select(-item) %>%
datatable(class = "nowrap hover row-border", escape = FALSE, options = list(dom = 't',scrollX = TRUE, autoWidth = TRUE))
#We see that recommendations are nearly the same compared to our basic algorithm described above. The top 4 recommended books are exactly the same ones.
#### More advanced ideas
#The procedure shown above is a quite simple process. You can do other smart things to improve the algorithm:
#1. Instead of simply averaging the predictions of the similar users you can weight the ratings by similarity. This means that the more similar a user is to the current user the more weight his/her ratings receive in the calculation of the predictions.
#2. The similarity calculation can also be weighted, according to how many books users co-rated. The more books users co-rated the more reliable is their similarity score.
#### Evaluating the predictions
#The good thing about `Recommenderlab` is that it offers the possibility to easily evaluate and compare algorithms. In order to do so, one first has to create an evaluation scheme. Here, as an illustration I chose to do 10-fold crossvalidation. The *given* parameter determines how many ratings are given to create the predictions and in turn on how many predictions per user remain for the evaluation of the prediction. In this case -1 means that the predictions are calculated from all but 1 ratings, and performance is evaluated for 1 for each user.
scheme <- evaluationScheme(real_ratings[,], method = "cross-validation", k = 10, given = -1, goodRating = 5)
#In a second step, we can list all the algorithms we want to compare. As we have a tuneable parameter `nn`, which is the number of most similar users which are used to calculate the predictions. I vary this parameter from 5 to 50 and plot the RMSE. Furthermore, as a baseline one can also add an algorithm ("RANDOM") that randomly predicts a rating for each user.
algorithms <- list("random" = list(name = "RANDOM", param = NULL),
"UBCF_05" = list(name = "UBCF", param = list(nn = 5, method = "Pearson")),
"UBCF_10" = list(name = "UBCF", param = list(nn = 10, method = "Pearson")),
"UBCF_30" = list(name = "UBCF", param = list(nn = 300, method = "Pearson")),
"UBCF_50" = list(name = "UBCF", param = list(nn = 50, method = "Pearson"))
)
# evaluate the alogrithms with the given scheme
results <- evaluate(scheme, algorithms, type = "ratings")
### R code from vignette source 'recommenderlab.Rnw'
### Encoding: UTF-8
###################################################
### code chunk number 1: recommenderlab.Rnw:101-104
###################################################
#options(scipen=3, digits=4, prompt="R> ", eps=FALSE, width=75)
### for sampling
set.seed(1234)
###################################################
### code chunk number 2: recommenderlab.Rnw:238-239
###################################################
citation("recommenderlab")
###################################################
### code chunk number 3: recommenderlab.Rnw:1064-1065
###################################################
library("recommenderlab")
###################################################
### code chunk number 4: recommenderlab.Rnw:1073-1078
###################################################
m <- matrix(sample(c(as.numeric(0:5), NA), 50,
replace=TRUE, prob=c(rep(.4/6,6),.6)), ncol=10,
dimnames=list(user=paste("u", 1:5, sep=''),
item=paste("i", 1:10, sep='')))
m
###################################################
### code chunk number 5: recommenderlab.Rnw:1086-1089
###################################################
r <- as(m, "realRatingMatrix")
r
getRatingMatrix(r)
###################################################
### code chunk number 6: recommenderlab.Rnw:1094-1095
###################################################
identical(as(r, "matrix"),m)
###################################################
### code chunk number 7: recommenderlab.Rnw:1102-1104
###################################################
as(r, "list")
head(as(r, "data.frame"))
###################################################
### code chunk number 8: recommenderlab.Rnw:1119-1122
###################################################
r_m <- normalize(r)
r_m
getRatingMatrix(r_m)
###################################################
### code chunk number 9: recommenderlab.Rnw:1126-1127
###################################################
denormalize(r_m)
###################################################
### code chunk number 10: recommenderlab.Rnw:1133-1135 (eval = FALSE)
###################################################
## image(r, main = "Raw Ratings")
## image(r_m, main = "Normalized Ratings")
###################################################
### code chunk number 11: image1
###################################################
print(image(r, main = "Raw Ratings"))
###################################################
### code chunk number 12: image2
###################################################
print(image(r_m, main = "Normalized Ratings"))
###################################################
### code chunk number 13: recommenderlab.Rnw:1168-1171
###################################################
r_b <- binarize(r, minRating=4)
r_b
as(r_b, "matrix")
###################################################
### code chunk number 14: recommenderlab.Rnw:1183-1185
###################################################
data(Jester5k)
Jester5k
###################################################
### code chunk number 15: recommenderlab.Rnw:1194-1197
###################################################
set.seed(1234)
r <- sample(Jester5k, 1000)
r
###################################################
### code chunk number 16: recommenderlab.Rnw:1204-1207
###################################################
rowCounts(r[1,])
as(r[1,], "list")
rowMeans(r[1,])
###################################################
### code chunk number 17: hist1
###################################################
hist(getRatings(r), breaks=100)
###################################################
### code chunk number 18: hist2
###################################################
hist(getRatings(normalize(r)), breaks=100)
###################################################
### code chunk number 19: hist3
###################################################
hist(getRatings(normalize(r, method="Z-score")), breaks=100)
###################################################
### code chunk number 20: hist4
###################################################
hist(rowCounts(r), breaks=50)
###################################################
### code chunk number 21: hist5
###################################################
hist(colMeans(r), breaks=20)
###################################################
### code chunk number 22: recommenderlab.Rnw:1296-1297
###################################################
recommenderRegistry$get_entries(dataType = "realRatingMatrix")
###################################################
### code chunk number 23: recommenderlab.Rnw:1305-1307
###################################################
r <- Recommender(Jester5k[1:1000], method = "POPULAR")
r
###################################################
### code chunk number 24: recommenderlab.Rnw:1311-1313
###################################################
names(getModel(r))
getModel(r)$topN
###################################################
### code chunk number 25: recommenderlab.Rnw:1328-1330
###################################################
recom <- predict(r, Jester5k[1001:1002], n=5)
recom
###################################################
### code chunk number 26: recommenderlab.Rnw:1335-1336
###################################################
as(recom, "list")
###################################################
### code chunk number 27: recommenderlab.Rnw:1342-1345
###################################################
recom3 <- bestN(recom, n = 3)
recom3
as(recom3, "list")
###################################################
### code chunk number 28: recommenderlab.Rnw:1353-1356
###################################################
recom <- predict(r, Jester5k[1001:1002], type="ratings")
recom
as(recom, "matrix")[,1:10]
###################################################
### code chunk number 29: recommenderlab.Rnw:1367-1370
###################################################
recom <- predict(r, Jester5k[1001:1002], type="ratingMatrix")
recom
as(recom, "matrix")[,1:10]
###################################################
### code chunk number 30: recommenderlab.Rnw:1385-1388
###################################################
e <- evaluationScheme(Jester5k[1:1000], method="split", train=0.9,
given=15, goodRating=5)
e
###################################################
### code chunk number 31: recommenderlab.Rnw:1394-1399
###################################################
r1 <- Recommender(getData(e, "train"), "UBCF")
r1
r2 <- Recommender(getData(e, "train"), "IBCF")
r2
###################################################
### code chunk number 32: recommenderlab.Rnw:1406-1410
###################################################
p1 <- predict(r1, getData(e, "known"), type="ratings")
p1
p2 <- predict(r2, getData(e, "known"), type="ratings")
p2
###################################################
### code chunk number 33: recommenderlab.Rnw:1416-1421
###################################################
error <- rbind(
UBCF = calcPredictionAccuracy(p1, getData(e, "unknown")),
IBCF = calcPredictionAccuracy(p2, getData(e, "unknown"))
)
error
###################################################
### code chunk number 34: recommenderlab.Rnw:1434-1437
###################################################
scheme <- evaluationScheme(Jester5k[1:1000], method="cross", k=4, given=3,
goodRating=5)
scheme
###################################################
### code chunk number 35: recommenderlab.Rnw:1444-1447
###################################################
results <- evaluate(scheme, method="POPULAR", type = "topNList",
n=c(1,3,5,10,15,20))
results
###################################################
### code chunk number 36: recommenderlab.Rnw:1458-1459
###################################################
getConfusionMatrix(results)[[1]]
###################################################
### code chunk number 37: recommenderlab.Rnw:1471-1472
###################################################
avg(results)
###################################################
### code chunk number 38: roc1
###################################################
plot(results, annotate=TRUE)
###################################################
### code chunk number 39: precrec1
###################################################
plot(results, "prec/rec", annotate=TRUE)
###################################################
### code chunk number 40: recommenderlab.Rnw:1519-1535
###################################################
set.seed(2016)
scheme <- evaluationScheme(Jester5k[1:1000], method="split", train = .9,
k=1, given=-5, goodRating=5)
scheme
algorithms <- list(
"random items" = list(name="RANDOM", param=NULL),
"popular items" = list(name="POPULAR", param=NULL),
"user-based CF" = list(name="UBCF", param=list(nn=50)),
"item-based CF" = list(name="IBCF", param=list(k=50)),
"SVD approximation" = list(name="SVD", param=list(k = 50))
)
## run algorithms
results <- evaluate(scheme, algorithms, type = "topNList",
n=c(1, 3, 5, 10, 15, 20))
###################################################
### code chunk number 41: recommenderlab.Rnw:1540-1541
###################################################
results
###################################################
### code chunk number 42: recommenderlab.Rnw:1547-1549
###################################################
names(results)
results[["user-based CF"]]
###################################################
### code chunk number 43: roc2
###################################################
plot(results, annotate=c(1,3), legend="bottomright")
###################################################
### code chunk number 44: precrec2
###################################################
plot(results, "prec/rec", annotate=3, legend="topleft")
###################################################
### code chunk number 45: recommenderlab.Rnw:1592-1594
###################################################
## run algorithms
results <- evaluate(scheme, algorithms, type = "ratings")
###################################################
### code chunk number 46: recommenderlab.Rnw:1599-1600
###################################################
results
###################################################
### code chunk number 47: real
###################################################
plot(results, ylim = c(0,100))
###################################################
### code chunk number 48: recommenderlab.Rnw:1622-1628
###################################################
Jester_binary <- binarize(Jester5k, minRating=5)
Jester_binary <- Jester_binary[rowCounts(Jester_binary)>20]
Jester_binary
scheme_binary <- evaluationScheme(Jester_binary[1:1000],
method="split", train=.9, k=1, given=3)
scheme_binary
###################################################
### code chunk number 49: recommenderlab.Rnw:1631-1633
###################################################
results_binary <- evaluate(scheme_binary, algorithms,
type = "topNList", n=c(1,3,5,10,15,20))
###################################################
### code chunk number 50: roc3
###################################################
plot(results_binary, annotate=c(1,3), legend="topright")